{"id":86523,"date":"2020-06-26T07:42:14","date_gmt":"2020-06-26T05:42:14","guid":{"rendered":"https:\/\/prohoster.info\/blog\/administrirovanie\/mlops-devops-v-mire-machine-learning"},"modified":"2020-06-26T07:42:14","modified_gmt":"2020-06-26T05:42:14","slug":"mlops-devops-v-mire-machine-learning","status":"publish","type":"post","link":"https:\/\/prohoster.info\/pt\/blog\/administrirovanie\/mlops-devops-v-mire-machine-learning","title":{"rendered":"MLOps: DevOps no mundo do Machine Learning","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"<p>Em 2018, nos c\u00edrculos profissionais e em confer\u00eancias tem\u00e1ticas dedicadas \u00e0 IA, surgiu o conceito de MLOps, que rapidamente se consolidou na ind\u00fastria e agora se desenvolve como uma \u00e1rea independente. No futuro, o MLOps pode se tornar uma das \u00e1reas mais valorizadas em TI. O que exatamente \u00e9 isso e para que serve, analisamos a seguir.<\/p>\n<p><img decoding=\"async\" alt=\"MLOps: DevOps no mundo do Machine Learning\" src=\"\/wp-content\/uploads\/2020\/06\/03bcaaaf5b9ddd864c7e8e0a607d81c4.jpeg\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<noindex><a rel=\"nofollow\" name=\"habracut\"><\/a><\/noindex><\/p>\n<h2>O que \u00e9 MLOps<\/h2>\n<p>\nMLOps (a uni\u00e3o de tecnologias e processos de aprendizado de m\u00e1quina e abordagens para integra\u00e7\u00e3o de modelos desenvolvidos em processos de neg\u00f3cios) \u00e9 uma nova forma de colabora\u00e7\u00e3o entre representantes de neg\u00f3cios, cientistas, matem\u00e1ticos, especialistas em aprendizado de m\u00e1quina e engenheiros de TI na cria\u00e7\u00e3o de sistemas de intelig\u00eancia artificial.<\/p>\n<p>Em outras palavras, \u00e9 uma maneira de transformar m\u00e9todos e tecnologias de aprendizado de m\u00e1quina em uma ferramenta \u00fatil para resolver problemas de neg\u00f3cios.\u00a0<\/p>\n<p>\u00c9 importante entender que a cadeia de produtiza\u00e7\u00e3o come\u00e7a muito antes do desenvolvimento do modelo. O primeiro passo \u00e9 definir a tarefa de neg\u00f3cios, as hip\u00f3teses sobre o valor que pode ser extra\u00eddo dos dados e a ideia de neg\u00f3cios sobre sua aplica\u00e7\u00e3o.\u00a0<\/p>\n<p>O conceito de MLOps surgiu como uma analogia ao conceito de DevOps aplicado a modelos e tecnologias de aprendizado de m\u00e1quina. DevOps \u00e9 uma abordagem para o desenvolvimento de software que permite aumentar a velocidade de implementa\u00e7\u00e3o de altera\u00e7\u00f5es individuais, mantendo flexibilidade e confiabilidade por meio de v\u00e1rias pr\u00e1ticas, entre as quais est\u00e3o o desenvolvimento cont\u00ednuo, a divis\u00e3o de fun\u00e7\u00f5es em microservi\u00e7os independentes, testes automatizados e implementa\u00e7\u00e3o de altera\u00e7\u00f5es individuais, monitoramento global de desempenho, sistemas de resposta r\u00e1pida a falhas identificadas, entre outros.\u00a0<\/p>\n<p>O DevOps definiu o ciclo de vida do software e na comunidade de especialistas surgiu a ideia de aplicar a mesma metodologia aos grandes dados. DataOps \u00e9 uma tentativa de adaptar e expandir a metodologia levando em conta as peculiaridades de armazenamento, transmiss\u00e3o e processamento de grandes volumes de dados em plataformas variadas e interconectadas.<br \/>\n\u00a0\u00a0<br \/>\nCom o surgimento de uma massa cr\u00edtica de modelos de aprendizado de m\u00e1quina implementados nos processos empresariais, foi notada uma forte semelhan\u00e7a entre o ciclo de vida dos modelos de aprendizado de m\u00e1quina e o ciclo de vida do software. A \u00fanica diferen\u00e7a \u00e9 que os algoritmos dos modelos s\u00e3o criados com ferramentas e m\u00e9todos de aprendizado de m\u00e1quina. Assim, surgiu naturalmente a ideia de aplicar e adaptar abordagens j\u00e1 conhecidas de desenvolvimento de software para modelos de aprendizado de m\u00e1quina. Portanto, no ciclo de vida dos modelos de aprendizado de m\u00e1quina, podemos identificar as seguintes etapas-chave:<\/p>\n<ul>\n<li>defini\u00e7\u00e3o da ideia de neg\u00f3cio;\n<\/li>\n<li>treinamento do modelo;\n<\/li>\n<li>testes e implementa\u00e7\u00e3o do modelo no processo de neg\u00f3cios;\n<\/li>\n<li>opera\u00e7\u00e3o do modelo.\n<\/li>\n<\/ul>\n<p>\nQuando, durante a opera\u00e7\u00e3o, surge a necessidade de alterar ou re-treinar o modelo com novos dados, o ciclo reinicia \u2014 o modelo \u00e9 aprimorado, testado e uma nova vers\u00e3o \u00e9 implantada.<\/p>\n<blockquote><p>Um par\u00eantese. Por que re-treinar e n\u00e3o re-treinar? O termo \"re-treinamento do modelo\" tem uma interpreta\u00e7\u00e3o dupla: entre os especialistas, significa um defeito do modelo, quando o modelo prev\u00ea bem, na verdade repete o par\u00e2metro previsto no conjunto de treinamento, mas funciona muito pior no conjunto de dados externo. Naturalmente, tal modelo \u00e9 considerado defeituoso, pois esse defeito impede sua aplica\u00e7\u00e3o.<\/p><\/blockquote>\n<p>\nNesse ciclo de vida, parece l\u00f3gico utilizar ferramentas DevOps: testes automatizados, implanta\u00e7\u00e3o e monitoramento, e o formato de c\u00e1lculo dos modelos como microsservi\u00e7os separados. No entanto, existem tamb\u00e9m v\u00e1rias particularidades que impedem a aplica\u00e7\u00e3o direta dessas ferramentas sem um suporte adicional de ML.<\/p>\n<p><img decoding=\"async\" alt=\"MLOps: DevOps no mundo do Machine Learning\" src=\"\/wp-content\/uploads\/2020\/06\/e1d01fd68c3f0071f925a82c08d29d25.jpeg\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<\/p>\n<h2>Como fazer os modelos funcionarem e gerarem lucro<\/h2>\n<p>\nComo exemplo, vamos usar a cl\u00e1ssica tarefa de automatiza\u00e7\u00e3o do chat de suporte de um produto banc\u00e1rio (ou de qualquer outro). Normalmente, o processo de suporte via chat funciona da seguinte maneira: o cliente digita uma mensagem com uma pergunta e recebe uma resposta de um especialista dentro de uma \u00e1rvore de di\u00e1logos previamente definida. A tarefa de automatizar esse chat geralmente \u00e9 resolvida com conjuntos de regras definidas por especialistas, que s\u00e3o muito trabalhosos para desenvolver e manter. A efic\u00e1cia dessa automa\u00e7\u00e3o, dependendo do n\u00edvel de complexidade da tarefa, pode variar entre 20 e 30%. Naturalmente, surge a ideia de que \u00e9 mais vantajoso implementar um m\u00f3dulo de intelig\u00eancia artificial - um modelo desenvolvido por meio de aprendizado de m\u00e1quina, que:<\/p>\n<ul>\n<li>\u00e9 capaz de processar um maior n\u00famero de solicita\u00e7\u00f5es sem a interven\u00e7\u00e3o de um operador (dependendo do assunto, em alguns casos a efic\u00e1cia pode chegar a 70-80%);\n<\/li>\n<li>se adapta melhor a formula\u00e7\u00f5es n\u00e3o padronizadas no di\u00e1logo - consegue identificar a inten\u00e7\u00e3o, o desejo real do usu\u00e1rio em rela\u00e7\u00e3o a um pedido n\u00e3o claramente formulado;\n<\/li>\n<li>sabe identificar quando a resposta do modelo \u00e9 adequada e quando h\u00e1 d\u00favidas sobre a 'consci\u00eancia' dessa resposta, sendo necess\u00e1rio fazer uma pergunta complementar ou transferir a conversa para um operador;\n<\/li>\n<li>pode ser aprimorada automaticamente (em vez de um grupo de desenvolvedores que adaptam e corrigem constantemente os cen\u00e1rios de resposta, a modelagem \u00e9 aprimorada por um especialista em Data Science usando bibliotecas de aprendizado de m\u00e1quina apropriadas).\u00a0\n<\/li>\n<\/ul>\n<p>\n<img decoding=\"async\" alt=\"MLOps: DevOps no mundo do Machine Learning\" src=\"\/wp-content\/uploads\/2020\/06\/9ef6356090a250df6cb212ab8bedb5f3.jpeg\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nComo fazer um modelo t\u00e3o avan\u00e7ado funcionar?\u00a0<\/p>\n<p>Assim como na resolu\u00e7\u00e3o de qualquer outra tarefa, antes de desenvolver tal m\u00f3dulo, \u00e9 necess\u00e1rio definir o processo de neg\u00f3cios e descrever formalmente a tarefa espec\u00edfica que vamos resolver utilizando o m\u00e9todo de aprendizado de m\u00e1quina. \u00c9 neste ponto que come\u00e7a o processo de operacionaliza\u00e7\u00e3o, indicado pela sigla Ops.\u00a0<\/p>\n<p>O pr\u00f3ximo passo para o especialista em Data Science, em colabora\u00e7\u00e3o com o engenheiro de dados, \u00e9 verificar a disponibilidade e a sufici\u00eancia dos dados e a hip\u00f3tese de neg\u00f3cios sobre a viabilidade da ideia de neg\u00f3cio, desenvolvendo um prot\u00f3tipo do modelo e testando sua efic\u00e1cia real. Somente ap\u00f3s a confirma\u00e7\u00e3o do neg\u00f3cio pode-se iniciar a transi\u00e7\u00e3o do desenvolvimento do modelo para a integra\u00e7\u00e3o deste em sistemas que executam um processo de neg\u00f3cio espec\u00edfico. Um planejamento integral da implementa\u00e7\u00e3o, uma compreens\u00e3o profunda em cada etapa de como o modelo ser\u00e1 utilizado e qual o efeito econ\u00f4mico que trar\u00e1, \u00e9 fundamental nos processos de implementa\u00e7\u00e3o das abordagens MLOps no cen\u00e1rio tecnol\u00f3gico da empresa.<\/p>\n<p>Com o avan\u00e7o das tecnologias de IA, a quantidade e a diversidade de tarefas que podem ser resolvidas com aprendizado de m\u00e1quina aumentam exponencialmente. Cada um desses processos de neg\u00f3cios representa uma economia para a empresa devido \u00e0 automa\u00e7\u00e3o do trabalho de funcion\u00e1rios em posi\u00e7\u00f5es massivas (como call center, verifica\u00e7\u00e3o e triagem de documentos, etc.), uma expans\u00e3o da base de clientes atrav\u00e9s da adi\u00e7\u00e3o de novas fun\u00e7\u00f5es atraentes e convenientes, economia de recursos atrav\u00e9s da otimiza\u00e7\u00e3o do seu uso e realoca\u00e7\u00e3o de recursos, entre outras coisas. No final, qualquer processo \u00e9 voltado para a cria\u00e7\u00e3o de valor e, como consequ\u00eancia, deve gerar um determinado efeito econ\u00f4mico. Aqui, \u00e9 extremamente importante formular claramente a ideia de neg\u00f3cio e calcular o lucro esperado da implementa\u00e7\u00e3o do modelo dentro da estrutura geral de cria\u00e7\u00e3o de valor da empresa. Existem situa\u00e7\u00f5es em que a implementa\u00e7\u00e3o do modelo n\u00e3o se justifica, e o tempo gasto pelos especialistas em aprendizado de m\u00e1quina acaba custando muito mais do que o sal\u00e1rio de um operador que desempenha essa tarefa. Por isso, \u00e9 essencial tentar identificar esses casos nas fases iniciais de cria\u00e7\u00e3o dos sistemas de IA.<\/p>\n<p>Portanto, o modelo come\u00e7a a gerar lucro apenas quando a tarefa de neg\u00f3cios foi corretamente formulada no processo de MLOps, as prioridades definidas e o processo de integra\u00e7\u00e3o do modelo no sistema delineado nas fases iniciais de desenvolvimento.<\/p>\n<h2>Novo processo \u2013 novos desafios<\/h2>\n<p>\nUma resposta abrangente \u00e0 quest\u00e3o fundamental do neg\u00f3cio sobre a aplicabilidade dos modelos de ML para resolu\u00e7\u00e3o de problemas e a quest\u00e3o geral da confian\u00e7a em IA \u2014 este \u00e9 um dos principais desafios no desenvolvimento e implementa\u00e7\u00e3o de abordagens de MLOps. Inicialmente, os neg\u00f3cios s\u00e3o c\u00e9ticos em rela\u00e7\u00e3o \u00e0 implementa\u00e7\u00e3o de aprendizado de m\u00e1quina nos processos \u2014 \u00e9 dif\u00edcil confiar em modelos em \u00e1reas onde, tradicionalmente, pessoas costumavam trabalhar. Para os neg\u00f3cios, os programas s\u00e3o vistos como 'caixas pretas', cuja relev\u00e2ncia das respostas ainda precisa ser comprovada. Al\u00e9m disso, na atividade banc\u00e1ria, nos neg\u00f3cios de operadores de telecomunica\u00e7\u00f5es e em outros setores, existem rigorosos requisitos impostos pelos reguladores governamentais. Todos os sistemas e algoritmos implantados em processos banc\u00e1rios est\u00e3o sujeitos a auditoria. Para resolver essa quest\u00e3o e demonstrar ao neg\u00f3cio e aos reguladores a validade e a corre\u00e7\u00e3o das respostas da intelig\u00eancia artificial, junto com o modelo, s\u00e3o implementados recursos de monitoramento. Al\u00e9m disso, existe um procedimento de valida\u00e7\u00e3o independente, obrigat\u00f3rio para modelos regulat\u00f3rios, que atende \u00e0s exig\u00eancias do Banco Central. Um grupo de especialistas independentes realiza a auditoria dos resultados obtidos pelo modelo, considerando os dados de entrada.<\/p>\n<p>O segundo desafio \u00e9 a avalia\u00e7\u00e3o e o gerenciamento dos riscos do modelo ao implementar um modelo de aprendizado de m\u00e1quina. Se at\u00e9 uma pessoa n\u00e3o pode responder \u00e0 pergunta com cem por cento de certeza, se o vestido era branco ou azul, a intelig\u00eancia artificial tamb\u00e9m tem o direito de errar. Al\u00e9m disso, \u00e9 importante considerar que, com o tempo, os dados podem mudar, e os modelos precisam ser re-treinados para fornecer resultados suficientemente precisos. Para que o processo de neg\u00f3cios n\u00e3o seja prejudicado, \u00e9 necess\u00e1rio gerenciar os riscos do modelo e monitorar o desempenho do modelo, re-treinando-o regularmente com novos dados.<\/p>\n<p><img decoding=\"async\" alt=\"MLOps: DevOps no mundo do Machine Learning\" src=\"\/wp-content\/uploads\/2020\/06\/cb97ff0eab95d81e17bf76aad3c3994e.jpeg\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nMas ap\u00f3s a primeira fase de desconfian\u00e7a, come\u00e7a a aparecer um efeito reverso. Quanto mais modelos s\u00e3o implementados com sucesso nos processos, maior se torna o apetite dos neg\u00f3cios pelo uso da intelig\u00eancia artificial \u2014 novas e novas tarefas surgem que podem ser resolvidas com m\u00e9todos de aprendizado de m\u00e1quina. Cada tarefa inicia um processo inteiro que requer compet\u00eancias espec\u00edficas:<\/p>\n<ul>\n<li>engenheiros de dados preparam e processam os dados;\n<\/li>\n<li>cientistas de dados aplicam ferramentas de aprendizado de m\u00e1quina e desenvolvem o modelo;\n<\/li>\n<li>A TI implementa o modelo no sistema;\n<\/li>\n<li>O engenheiro de ML determina como integrar corretamente esse modelo ao processo, quais ferramentas de TI utilizar, dependendo dos requisitos do modo de aplica\u00e7\u00e3o do modelo, levando em conta o fluxo de chamadas, tempo de resposta, etc.\u00a0\n<\/li>\n<li>O arquiteto de ML projeta como o produto de software pode ser implementado fisicamente em um sistema industrial.\n<\/li>\n<\/ul>\n<p>\nTodo o ciclo exige um grande n\u00famero de profissionais altamente qualificados. Em certo ponto do desenvolvimento e do grau de penetra\u00e7\u00e3o dos modelos de ML nos processos de neg\u00f3cios, observa-se que escalar linearmente o n\u00famero de especialistas proporcionalmente ao aumento do n\u00famero de tarefas torna-se caro e ineficiente. Portanto, surge a quest\u00e3o da automa\u00e7\u00e3o do processo de MLOps - a defini\u00e7\u00e3o de v\u00e1rias classes padr\u00e3o de tarefas de aprendizado de m\u00e1quina, o desenvolvimento de pipelines t\u00edpicos de processamento de dados e o re-treinamento de modelos. Na vis\u00e3o ideal, para resolver tais tarefas, s\u00e3o necess\u00e1rios profissionais que dominem igualmente as compet\u00eancias na interse\u00e7\u00e3o de Big Data, Data Science, DevOps e TI. Assim, o maior problema na ind\u00fastria de Data Science e o maior desafio na organiza\u00e7\u00e3o dos processos de MLOps \u00e9 a falta dessa compet\u00eancia no atual mercado de forma\u00e7\u00e3o de profissionais. Especialistas que atendam a esses requisitos s\u00e3o atualmente raros no mercado de trabalho e s\u00e3o valorizados como ouro.<\/p>\n<h2>Sobre as compet\u00eancias<\/h2>\n<p>\nEm teoria, todas as tarefas de MLOps podem ser resolvidas com ferramentas cl\u00e1ssicas de DevOps, sem recorrer \u00e0 expans\u00e3o especializada do modelo de pap\u00e9is. Assim, como j\u00e1 mencionamos, o cientista de dados deve ser n\u00e3o apenas um matem\u00e1tico e um especialista em an\u00e1lise de dados, mas tamb\u00e9m um guru de todo o pipeline - cabe a ele desenvolver a arquitetura, programar modelos em v\u00e1rias linguagens dependendo da arquitetura, preparar a vitrine de dados e implantar o pr\u00f3prio aplicativo. No entanto, a cria\u00e7\u00e3o da infraestrutura tecnol\u00f3gica, implementada no processo cont\u00ednuo de MLOps, consome at\u00e9 80% do esfor\u00e7o de trabalho, o que significa que um matem\u00e1tico qualificado, que \u00e9 um bom Cientista de Dados, dedicar\u00e1 apenas 20% do seu tempo \u00e0 sua especialidade. Portanto, a defini\u00e7\u00e3o de pap\u00e9is dos especialistas envolvidos no processo de implementa\u00e7\u00e3o de modelos de aprendizado de m\u00e1quina torna-se vital.\u00a0<\/p>\n<p>O qu\u00e3o detalhadamente os pap\u00e9is devem ser definidos depende da escala da empresa. \u00c9 uma coisa quando em uma startup h\u00e1 um \u00fanico especialista, um verdadeiro faz-tudo que \u00e9 ao mesmo tempo engenheiro, arquiteto e DevOps. \u00c9 completamente diferente em uma grande empresa, onde todos os processos de desenvolvimento de modelos est\u00e3o concentrados em alguns especialistas de Data Science de alto n\u00edvel, enquanto um programador ou especialista em bancos de dados \u2014 uma compet\u00eancia mais comum e menos cara no mercado de trabalho \u2014 pode assumir grande parte das tarefas rotineiras.<\/p>\n<p>Assim, a defini\u00e7\u00e3o de donde passa a linha na escolha de especialistas para garantir o processo de MLOps e como o processo de operacionaliza\u00e7\u00e3o dos modelos desenvolvidos \u00e9 organizado, afeta diretamente a velocidade e a qualidade dos modelos desenvolvidos, a produtividade da equipe e o clima interno.<\/p>\n<h2>O que j\u00e1 foi feito pela nossa equipe<\/h2>\n<p>\nRecentemente, come\u00e7amos a construir a estrutura de compet\u00eancias e os processos de MLOps. Mas j\u00e1 est\u00e3o em fase de teste nossas iniciativas de gerenciamento do ciclo de vida de modelos e de aplica\u00e7\u00e3o de modelos como servi\u00e7o.<\/p>\n<p>Al\u00e9m disso, definimos a estrutura de compet\u00eancias e organizacional ideal para uma grande empresa, bem como a intera\u00e7\u00e3o entre todos os participantes do processo. Formamos equipes Agile para atender a todo o espectro de neg\u00f3cios, al\u00e9m de estabelecer um processo de intera\u00e7\u00e3o com as equipes de projeto para criar plataformas e infraestrutura que servir\u00e3o como base para a estrutura de MLOps.<\/p>\n<h2>Quest\u00f5es para o futuro<\/h2>\n<p>\nMLOps \u00e9 um campo em desenvolvimento que enfrenta uma escassez de compet\u00eancias e que, no futuro, dever\u00e1 ganhar for\u00e7a. Por enquanto, \u00e9 melhor basear-se em aprendizagens e pr\u00e1ticas do DevOps. O principal objetivo do MLOps \u00e9 o uso mais eficaz de modelos de ML para resolver problemas de neg\u00f3cios. Mas surge uma s\u00e9rie de quest\u00f5es:<\/p>\n<ul>\n<li>Como reduzir o tempo para colocar modelos em produ\u00e7\u00e3o?\n<\/li>\n<li>Como diminuir as fric\u00e7\u00f5es burocr\u00e1ticas entre equipes de diferentes compet\u00eancias e aumentar o foco na colabora\u00e7\u00e3o?\n<\/li>\n<li>Como rastrear modelos, gerenciar vers\u00f5es e organizar uma monitoriza\u00e7\u00e3o eficaz?\n<\/li>\n<li>Como criar um ciclo de vida verdadeiramente c\u00edclico para um modelo de ML moderno?\n<\/li>\n<li>Como padronizar o processo de aprendizado de m\u00e1quina?\n<\/li>\n<\/ul>\n<p>\nAs respostas a essas perguntas determinar\u00e3o em grande parte a rapidez com que o MLOps revelar\u00e1 todo o seu potencial.<br \/>\n<br \/>Fonte: <a content=\"nofollow\" rel=\"nofollow\" href=\"https:\/\/habr.com\/ru\/company\/vtb\/blog\/508012\/\">habr.com<\/a> <\/p>","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"excerpt":{"rendered":"<p>\u0412 2018 \u0433\u043e\u0434\u0443 \u0432 \u043f\u0440\u043e\u0444\u0435\u0441\u0441\u0438\u043e\u043d\u0430\u043b\u044c\u043d\u044b\u0445 \u043a\u0440\u0443\u0433\u0430\u0445 \u0438 \u043d\u0430 \u0442\u0435\u043c\u0430\u0442\u0438\u0447\u0435\u0441\u043a\u0438\u0445 \u043a\u043e\u043d\u0444\u0435\u0440\u0435\u043d\u0446\u0438\u044f\u0445, \u043f\u043e\u0441\u0432\u044f\u0449\u0435\u043d\u043d\u044b\u0445 AI, \u043f\u043e\u044f\u0432\u0438\u043b\u043e\u0441\u044c \u043f\u043e\u043d\u044f\u0442\u0438\u0435 MLOps, \u043a\u043e\u0442\u043e\u0440\u043e\u0435 \u0431\u044b\u0441\u0442\u0440\u043e \u0437\u0430\u043a\u0440\u0435\u043f\u0438\u043b\u043e\u0441\u044c \u0432 \u043e\u0442\u0440\u0430\u0441\u043b\u0438 \u0438 \u0441\u0435\u0439\u0447\u0430\u0441 \u0440\u0430\u0437\u0432\u0438\u0432\u0430\u0435\u0442\u0441\u044f \u043a\u0430\u043a \u0441\u0430\u043c\u043e\u0441\u0442\u043e\u044f\u0442\u0435\u043b\u044c\u043d\u043e\u0435 \u043d\u0430\u043f\u0440\u0430\u0432\u043b\u0435\u043d\u0438\u0435. \u0412 \u043f\u0435\u0440\u0441\u043f\u0435\u043a\u0442\u0438\u0432\u0435 MLOps \u043c\u043e\u0436\u0435\u0442 \u0441\u0442\u0430\u0442\u044c \u043e\u0434\u043d\u043e\u0439 \u0438\u0437 \u043d\u0430\u0438\u0431\u043e\u043b\u0435\u0435 \u0432\u043e\u0441\u0442\u0440\u0435\u0431\u043e\u0432\u0430\u043d\u043d\u044b\u0445 \u0441\u0444\u0435\u0440 \u0432 IT. \u0427\u0442\u043e \u0436\u0435 \u044d\u0442\u043e \u0442\u0430\u043a\u043e\u0435 \u0438 \u0441 \u0447\u0435\u043c \u0435\u0433\u043e \u0435\u0434\u044f\u0442, \u0440\u0430\u0437\u0431\u0438\u0440\u0430\u0435\u043c\u0441\u044f \u043f\u043e\u0434 \u043a\u0430\u0442\u043e\u043c. \u0427\u0442\u043e \u0442\u0430\u043a\u043e\u0435 MLOps MLOps (\u043e\u0431\u044a\u0435\u0434\u0438\u043d\u0435\u043d\u0438\u0435 [&hellip;]<\/p>\n","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"author":1,"featured_media":86524,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[688],"tags":[],"class_list":["post-86523","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-administrirovanie"],"aioseo_notices":[],"aioseo_head":"\n\t\t<!-- All in One SEO 5.0.3 - aioseo.com -->\n\t<meta name=\"description\" content=\"\u0412 2018 \u0433\u043e\u0434\u0443 \u0432 \u043f\u0440\u043e\u0444\u0435\u0441\u0441\u0438\u043e\u043d\u0430\u043b\u044c\u043d\u044b\u0445 \u043a\u0440\u0443\u0433\u0430\u0445 \u0438 \u043d\u0430 \u0442\u0435\u043c\u0430\u0442\u0438\u0447\u0435\u0441\u043a\u0438\u0445 \u043a\u043e\u043d\u0444\u0435\u0440\u0435\u043d\u0446\u0438\u044f\u0445, \u043f\u043e\u0441\u0432\u044f\u0449\u0435\u043d\u043d\u044b\u0445 AI, \u043f\u043e\u044f\u0432\u0438\u043b\u043e\u0441\u044c \u043f\u043e\u043d\u044f\u0442\u0438\u0435 MLOps, \u043a\u043e\u0442\u043e\u0440\u043e\u0435 \u0431\u044b\u0441\u0442\u0440\u043e \u0437\u0430\u043a\u0440\u0435\u043f\u0438\u043b\u043e\u0441\u044c \u0432 \u043e\u0442\u0440\u0430\u0441\u043b\u0438 \u0438 \u0441\u0435\u0439\u0447\u0430\u0441 \u0440\u0430\u0437\u0432\u0438\u0432\u0430\u0435\u0442\u0441\u044f \u043a\u0430\u043a \u0441\u0430\u043c\u043e\u0441\u0442\u043e\u044f\u0442\u0435\u043b\u044c\u043d\u043e\u0435 \u043d\u0430\u043f\u0440\u0430\u0432\u043b\u0435\u043d\u0438\u0435.\" \/>\n\t<meta name=\"robots\" content=\"max-image-preview:large\" \/>\n\t<meta name=\"author\" content=\"Yuri Gagarin\"\/>\n\t<link rel=\"canonical\" href=\"https:\/\/prohoster.info\/pt\/blog\/administrirovanie\/mlops-devops-v-mire-machine-learning\" \/>\n\t\t<meta name=\"generator\" content=\"All in One SEO (AIOSEO) 5.0.3\" \/>\n\t\t<meta property=\"og:locale\" content=\"pt_PT\" \/>\n\t\t<meta property=\"og:site_name\" content=\"ProHoster | \u041a\u0443\u043f\u0438\u0442\u044c \u043d\u0430\u0434\u0435\u0436\u043d\u044b\u0439 \u0445\u043e\u0441\u0442\u0438\u043d\u0433 \u0434\u043b\u044f \u0441\u0430\u0439\u0442\u043e\u0432 \u0441 \u0437\u0430\u0449\u0438\u0442\u043e\u0439 \u043e\u0442 DDoS, VPS VDS \u0441\u0435\u0440\u0432\u0435\u0440\u044b\" \/>\n\t\t<meta property=\"og:type\" content=\"article\" \/>\n\t\t<meta property=\"og:title\" content=\"\ud83e\udd47MLOps: DevOps \u0432 \u043c\u0438\u0440\u0435 Machine Learning | ProHoster\" \/>\n\t\t<meta property=\"og:description\" content=\"\u0412 2018 \u0433\u043e\u0434\u0443 \u0432 \u043f\u0440\u043e\u0444\u0435\u0441\u0441\u0438\u043e\u043d\u0430\u043b\u044c\u043d\u044b\u0445 \u043a\u0440\u0443\u0433\u0430\u0445 \u0438 \u043d\u0430 \u0442\u0435\u043c\u0430\u0442\u0438\u0447\u0435\u0441\u043a\u0438\u0445 \u043a\u043e\u043d\u0444\u0435\u0440\u0435\u043d\u0446\u0438\u044f\u0445, \u043f\u043e\u0441\u0432\u044f\u0449\u0435\u043d\u043d\u044b\u0445 AI, \u043f\u043e\u044f\u0432\u0438\u043b\u043e\u0441\u044c \u043f\u043e\u043d\u044f\u0442\u0438\u0435 MLOps, \u043a\u043e\u0442\u043e\u0440\u043e\u0435 \u0431\u044b\u0441\u0442\u0440\u043e \u0437\u0430\u043a\u0440\u0435\u043f\u0438\u043b\u043e\u0441\u044c \u0432 \u043e\u0442\u0440\u0430\u0441\u043b\u0438 \u0438 \u0441\u0435\u0439\u0447\u0430\u0441 \u0440\u0430\u0437\u0432\u0438\u0432\u0430\u0435\u0442\u0441\u044f \u043a\u0430\u043a \u0441\u0430\u043c\u043e\u0441\u0442\u043e\u044f\u0442\u0435\u043b\u044c\u043d\u043e\u0435 \u043d\u0430\u043f\u0440\u0430\u0432\u043b\u0435\u043d\u0438\u0435.\" \/>\n\t\t<meta property=\"og:url\" content=\"https:\/\/prohoster.info\/pt\/blog\/administrirovanie\/mlops-devops-v-mire-machine-learning\" \/>\n\t\t<meta property=\"og:image\" content=\"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg\" \/>\n\t\t<meta property=\"og:image:secure_url\" content=\"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg\" \/>\n\t\t<meta property=\"og:image:width\" content=\"350\" \/>\n\t\t<meta property=\"og:image:height\" content=\"350\" \/>\n\t\t<meta property=\"article:published_time\" content=\"2020-06-26T05:42:14+00:00\" \/>\n\t\t<meta property=\"article:modified_time\" content=\"2020-06-26T05:42:14+00:00\" \/>\n\t\t<meta property=\"article:publisher\" content=\"https:\/\/www.facebook.com\/prohoster\" \/>\n\t\t<meta property=\"article:author\" content=\"https:\/\/www.facebook.com\/prohoster\" \/>\n\t\t<!-- All in One SEO -->\n\n","aioseo_head_json":{"title":"\ud83e\udd47MLOps: DevOps no mundo Machine Learning | ProHoster","description":"Em 2018, surgiu nos c\u00edrculos profissionais e em confer\u00eancias tem\u00e1ticas sobre IA o conceito de MLOps, que rapidamente se firmou no setor e agora se desenvolve como uma \u00e1rea independente.","canonical_url":"https:\/\/prohoster.info\/pt\/blog\/administrirovanie\/mlops-devops-v-mire-machine-learning","robots":"max-image-preview:large","keywords":"","webmasterTools":{"miscellaneous":""},"schema":null,"og:locale":"pt_PT","og:site_name":"ProHoster | \u041a\u0443\u043f\u0438\u0442\u044c \u043d\u0430\u0434\u0435\u0436\u043d\u044b\u0439 \u0445\u043e\u0441\u0442\u0438\u043d\u0433 \u0434\u043b\u044f \u0441\u0430\u0439\u0442\u043e\u0432 \u0441 \u0437\u0430\u0449\u0438\u0442\u043e\u0439 \u043e\u0442 DDoS, VPS VDS \u0441\u0435\u0440\u0432\u0435\u0440\u044b","og:type":"article","og:title":"\ud83e\udd47MLOps: DevOps \u0432 \u043c\u0438\u0440\u0435 Machine Learning | ProHoster","og:description":"\u0412 2018 \u0433\u043e\u0434\u0443 \u0432 \u043f\u0440\u043e\u0444\u0435\u0441\u0441\u0438\u043e\u043d\u0430\u043b\u044c\u043d\u044b\u0445 \u043a\u0440\u0443\u0433\u0430\u0445 \u0438 \u043d\u0430 \u0442\u0435\u043c\u0430\u0442\u0438\u0447\u0435\u0441\u043a\u0438\u0445 \u043a\u043e\u043d\u0444\u0435\u0440\u0435\u043d\u0446\u0438\u044f\u0445, \u043f\u043e\u0441\u0432\u044f\u0449\u0435\u043d\u043d\u044b\u0445 AI, \u043f\u043e\u044f\u0432\u0438\u043b\u043e\u0441\u044c \u043f\u043e\u043d\u044f\u0442\u0438\u0435 MLOps, \u043a\u043e\u0442\u043e\u0440\u043e\u0435 \u0431\u044b\u0441\u0442\u0440\u043e \u0437\u0430\u043a\u0440\u0435\u043f\u0438\u043b\u043e\u0441\u044c \u0432 \u043e\u0442\u0440\u0430\u0441\u043b\u0438 \u0438 \u0441\u0435\u0439\u0447\u0430\u0441 \u0440\u0430\u0437\u0432\u0438\u0432\u0430\u0435\u0442\u0441\u044f \u043a\u0430\u043a \u0441\u0430\u043c\u043e\u0441\u0442\u043e\u044f\u0442\u0435\u043b\u044c\u043d\u043e\u0435 \u043d\u0430\u043f\u0440\u0430\u0432\u043b\u0435\u043d\u0438\u0435.","og:url":"https:\/\/prohoster.info\/pt\/blog\/administrirovanie\/mlops-devops-v-mire-machine-learning","og:image":"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg","og:image:secure_url":"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg","og:image:width":350,"og:image:height":350,"article:published_time":"2020-06-26T05:42:14+00:00","article:modified_time":"2020-06-26T05:42:14+00:00","article:publisher":"https:\/\/www.facebook.com\/prohoster","article:author":"https:\/\/www.facebook.com\/prohoster"},"aioseo_meta_data":{"post_id":"86523","title":null,"description":null,"keywords":null,"keyphrases":null,"primary_term":null,"canonical_url":null,"og_title":null,"og_description":null,"og_object_type":"default","og_image_type":"default","og_image_url":null,"og_image_width":null,"og_image_height":null,"og_image_custom_url":null,"og_image_custom_fields":null,"og_video":null,"og_custom_url":null,"og_article_section":null,"og_article_tags":null,"twitter_use_og":false,"twitter_card":"default","twitter_image_type":"default","twitter_image_url":null,"twitter_image_custom_url":null,"twitter_image_custom_fields":null,"twitter_title":null,"twitter_description":null,"schema":{"blockGraphs":[],"customGraphs":[],"default":{"data":{"Article":[],"Course":[],"Dataset":[],"FAQPage":[],"Movie":[],"Person":[],"Product":[],"ProductReview":[],"Car":[],"Recipe":[],"Service":[],"SoftwareApplication":[],"WebPage":[]},"graphName":"","isEnabled":true},"graphs":[]},"schema_type":null,"schema_type_options":null,"pillar_content":false,"robots_default":true,"robots_noindex":false,"robots_noarchive":false,"robots_nosnippet":false,"robots_nofollow":false,"robots_noimageindex":false,"robots_noodp":false,"robots_notranslate":false,"robots_max_snippet":null,"robots_max_videopreview":null,"robots_max_imagepreview":"large","priority":null,"frequency":null,"local_seo":null,"seo_analyzer_scan_date":null,"breadcrumb_settings":null,"limit_modified_date":false,"reviewed_by":null,"ai":null,"created":"2021-02-28 14:13:23","updated":"2022-09-28 09:22:54","focus_keyword":null,"additional_keywords":null,"truseo_locale":null},"gt_translate_keys":[{"key":"link","format":"url"}],"_links":{"self":[{"href":"https:\/\/prohoster.info\/pt\/wp-json\/wp\/v2\/posts\/86523","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/prohoster.info\/pt\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/prohoster.info\/pt\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/prohoster.info\/pt\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/prohoster.info\/pt\/wp-json\/wp\/v2\/comments?post=86523"}],"version-history":[{"count":0,"href":"https:\/\/prohoster.info\/pt\/wp-json\/wp\/v2\/posts\/86523\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/prohoster.info\/pt\/wp-json\/wp\/v2\/media\/86524"}],"wp:attachment":[{"href":"https:\/\/prohoster.info\/pt\/wp-json\/wp\/v2\/media?parent=86523"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/prohoster.info\/pt\/wp-json\/wp\/v2\/categories?post=86523"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/prohoster.info\/pt\/wp-json\/wp\/v2\/tags?post=86523"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}