{"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\/sl\/blog\/administrirovanie\/mlops-devops-v-mire-machine-learning","title":{"rendered":"MLOps: DevOps v svetu strojnega u\u010denja","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"<p>V letu 2018 se je v profesionalnih krogih in na tematskih konferencah o AI uveljavila terminologija MLOps, ki je hitro pridobila priljubljenost v industriji in se zdaj razvija kot samostojno podro\u010dje. V prihodnosti bi MLOps lahko postalo eno najbolj iskanih podro\u010dij v IT. Kaj to sploh je in kako ga uporabiti, razjasnimo v nadaljevanju.<\/p>\n<p><img decoding=\"async\" alt=\"MLOps: DevOps v svetu strojnega u\u010denja\" 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>Kaj je MLOps<\/h2>\n<p>\nMLOps (povezovanje tehnologij in procesov strojnega u\u010denja ter pristopov k implementaciji izdelanih modelov v poslovne procese) je nov na\u010din sodelovanja med predstavniki poslovanja, znanstveniki, matemati\u010dnimi strokovnjaki, strokovnjaki za strojno u\u010denje in IT-in\u017eenirji pri ustvarjanju sistemov umetne inteligence.<\/p>\n<p>Z drugimi besedami, to je na\u010din preoblikovanja metod in tehnologij strojnega u\u010denja v koristne instrumente za re\u0161evanje poslovnih nalog.\u00a0<\/p>\n<p>Pomembno je razumeti, da se veriga produktivizacije za\u010dne dolgo pred razvojem modela. Njena prva stopnja je opredelitev poslovne naloge, hipotez o vrednosti, ki jo je mogo\u010de pridobiti iz podatkov, ter poslovne ideje za njeno uporabo.\u00a0<\/p>\n<p>Pojem MLOps se je razvil kot analogija pojmu DevOps glede na modele in tehnologije strojnega u\u010denja. DevOps je pristop k razvoju programske opreme, ki omogo\u010da pove\u010danje hitrosti uvajanja posameznih sprememb ob ohranjanju prilagodljivosti in zanesljivosti s pomo\u010djo razli\u010dnih metod, med katerimi so stalni razvoj, delitev funkcij na neodvisne mikrostoritve, avtomatizirano testiranje in implementacija posameznih sprememb, globalno spremljanje delovanja in sistem za hitro ukrepanje pri odkritih napakah itd.\u00a0<\/p>\n<p>DevOps je opredelil \u017eivljenjski cikel programske opreme in v skupnosti strokovnjakov se je pojavila ideja, da bi to metodo uporabili tudi za velike podatke. DataOps je poskus prilagajanja in \u0161irjenja metodologije ob upo\u0161tevanju zna\u010dilnosti shranjevanja, prenosa in obdelave velikih koli\u010din podatkov na raznolikih in medsebojno povezanih platformah.<br \/>\n\u00a0\u00a0<br \/>\nS prihodom dolo\u010dene kriti\u010dne mase modelov strojnega u\u010denja, vgrajenih v poslovne procese podjetij, je bilo opaziti mo\u010dno podobnost \u017eivljenjskega cikla matemati\u010dnih modelov strojnega u\u010denja in \u017eivljenjskega cikla programske opreme. Razlika je le v tem, da so algoritmi modelov ustvarjeni s pomo\u010djo orodij in metod strojnega u\u010denja. Zato se je naravno pojavila ideja, da se \u017ee znani pristopi k razvoju programske opreme uporabijo in prilagodijo za modele strojnega u\u010denja. Tako lahko v \u017eivljenjskem ciklu modelov strojnega u\u010denja izpostavimo naslednje klju\u010dne faze:<\/p>\n<ul>\n<li>opredelitev poslovne ideje;\n<\/li>\n<li>usposabljanje modela;\n<\/li>\n<li>testiranje in uvajanje modela v poslovni proces;\n<\/li>\n<li>uporaba modela.\n<\/li>\n<\/ul>\n<p>\nKo se v procesu uporabe pojavi potreba po spremembi ali dodatnem usposabljanju modela na novih podatkih, se cikel ponovno za\u017eene - model se izbolj\u0161a, testira in nalaga nova razli\u010dica.<\/p>\n<blockquote><p>Odstotek. Zakaj dodatno usposabljati, ne pa ponovno usposabljati? Termin \u201eponovno usposabljanje modela\u201c ima dva pomena: med strokovnjaki pomeni napako modela, ko model dobro napoveduje, dejansko ponavlja napovedani parameter na u\u010dni mno\u017eici, vendar deluje veliko slab\u0161e na zunanjih podatkih. Seveda je tak model okvara, saj ta napaka ne omogo\u010da njegove uporabe.<\/p><\/blockquote>\n<p>\nV tem \u017eivljenjskem ciklu se zdi smiselno uporabljati orodja DevOps: avtomatizirano testiranje, name\u0161\u010danje in spremljanje, oblikovanje izra\u010duna modelov v obliki posameznih mikroservisov. Vendar pa obstaja tudi vrsta posebnosti, ki prepre\u010dujejo neposredno uporabo teh orodij brez dodatnega ML-vmesnika.<\/p>\n<p><img decoding=\"async\" alt=\"MLOps: DevOps v svetu strojnega u\u010denja\" src=\"\/wp-content\/uploads\/2020\/06\/e1d01fd68c3f0071f925a82c08d29d25.jpeg\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<\/p>\n<h2>Kako prisiliti modele, da delujejo in prina\u0161ajo dobi\u010dek<\/h2>\n<p>\nKot primer, s katerim bomo prikazali uporabo pristopa MLOps, bomo vzeli klasi\u010dno nalogo robotizacije klepeta pri podpori ban\u010dnega (ali katerega koli drugega) produkta. Obi\u010dajno poslovni proces podpore s pomo\u010djo klepeta izgleda tako: stranka vnese v klepet sporo\u010dilo z vpra\u0161anjem in prejme odgovor strokovnjaka v okviru vnaprej dolo\u010denega drevesa dialogov. Naloga avtomatizacije tak\u0161nega klepeta se obi\u010dajno re\u0161uje s pomo\u010djo strokovno dolo\u010denih nizov pravil, ki so zelo delovno intenzivni za razvoj in vzdr\u017eevanje. U\u010dinkovitost tak\u0161ne avtomatizacije, odvisno od ravni kompleksnosti naloge, lahko dose\u017ee 20\u201330%. Naravno se pojavi ideja, da bi bilo bolj donosno uvesti modul umetne inteligence \u2014 model, razvit s pomo\u010djo strojnega u\u010denja, ki:<\/p>\n<ul>\n<li>je sposoben obdelati brez udele\u017ebe operaterja ve\u010dje \u0161tevilo zahtevkov (odvisno od teme, v nekaterih primerih lahko u\u010dinkovitost dose\u017ee 70\u201380%);\n<\/li>\n<li>se bolje prilagaja nenavadnim formulacijam v dialogu \u2014 zna dolo\u010diti namen, resni\u010dno \u017eeljo uporabnika ob nejasno formuliranem zahtevku;\n<\/li>\n<li>zna ugotoviti, kdaj je odgovor modela ustrezen, in kdaj so ob odgovoru dvomi o njegovi 'zavednosti', kar zahteva postavitev dodatnega pojasnjevalnega vpra\u0161anja ali preklop na operaterja;\n<\/li>\n<li>se lahko dodatno u\u010dijo avtomatizirano (namesto skupine razvijalcev, ki nenehno prilagajajo in popravljajo scenarije odgovorov, model dodatno u\u010di strokovnjak za podatkovne vede, ki uporablja ustrezne knji\u017enice strojnega u\u010denja).\u00a0\n<\/li>\n<\/ul>\n<p>\n<img decoding=\"async\" alt=\"MLOps: DevOps v svetu strojnega u\u010denja\" src=\"\/wp-content\/uploads\/2020\/06\/9ef6356090a250df6cb212ab8bedb5f3.jpeg\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nKako spraviti tako napreden model v delovanje?\u00a0<\/p>\n<p>Tako kot pri re\u0161evanju katere koli druge naloge, preden za\u010dnemo razvijati tak modul, moramo opredeliti poslovni proces in formalno opisati konkretno nalogo, ki jo bomo re\u0161evali s pomo\u010djo metode strojnega u\u010denja. Na tej to\u010dki se za\u010dne postopek operativizacije, ozna\u010den z okraj\u0161avo Ops.\u00a0<\/p>\n<p>Naslednji korak strokovnjaka za podatkovne vede v sodelovanju z in\u017eenirjem za podatke je preveriti razpolo\u017eljivost in zadostnost podatkov ter poslovne hipoteze o izvedljivosti poslovne ideje, razviti prototip modela in preveriti njegovo dejansko u\u010dinkovitost. \u0160ele po potrditvi s strani podjetja se lahko za\u010dne prehod od razvoja modela k njegovi integraciji v sisteme, ki izvajajo konkretne poslovne procese. Na\u010drtovanje uvedbe, globoko razumevanje v vsakem koraku, kako bo model uporabljen in kak\u0161en ekonomski u\u010dinek bo prinesel, je temeljnega pomena pri uvajanju pristopov MLOps v tehnolo\u0161ko krajino podjetja.<\/p>\n<p>Z razvojem tehnologij umetne inteligence se \u0161tevilo in raznolikost nalog, ki jih je mogo\u010de re\u0161iti s pomo\u010djo strojnega u\u010denja, eksponentno pove\u010dujeta. Vsak tak poslovni proces predstavlja prihranek za podjetje z avtomatizacijo dela zaposlenih na mno\u017ei\u010dnih mestih (klicni center, preverjanje in razvr\u0161\u010danje dokumentov itd.), \u0161iritev baze strank z dodajanjem novih privla\u010dnih in priro\u010dnih funkcij, prihranek sredstev z optimalno rabo in prerazporeditvijo virov ter \u0161e mnogo ve\u010d. Na koncu je vsak proces usmerjen v ustvarjanje vrednosti in bi, kot posledica, moral prina\u0161ati dolo\u010den ekonomski u\u010dinek. Pri tem je zelo pomembno jasno oblikovati poslovno idejo in izra\u010dunati predvideni dobi\u010dek od uvedbe modela v splo\u0161ni strukturi ustvarjanja vrednosti podjetja. Pojavljajo se situacije, ko uvedba modela ne upravi\u010di sama sebe in \u010das, ki ga porabijo strokovnjaki za strojno u\u010denje, stane precej ve\u010d kot delovno mesto operaterja, ki to nalogo izvaja. Zato je pomembno, da tak\u0161ne primere posku\u0161amo prepoznati v zgodnjih fazah ustvarjanja sistemov umetne inteligence.<\/p>\n<p>Tako profit modela za\u010dne prina\u0161ati \u0161ele takrat, ko je bila v procesu MLOps pravilno formulirana poslovna naloga, postavljeni prioriteti in v zgodnjih fazah razvoja oblikovan proces uvajanja modela v sistem.<\/p>\n<h2>Nov proces - novi izzivi<\/h2>\n<p>\nObse\u017ena odgovor na klju\u010dno vpra\u0161anje podjetni\u0161tva, kako se ML modeli uporabljajo za re\u0161evanje nalog, je splo\u0161no vpra\u0161anje zaupanja v AI \u2013 to je en izmed klju\u010dnih izzivov pri razvoju in uvajanju pristopov MLOps. Sprva podjetja skepti\u010dno gledajo na uvedbo strojnega u\u010denja v procese \u2013 te\u017eko se je zana\u0161ati na modele na mestih, kjer so doslej obi\u010dajno delali ljudje. Podjetjem se programi zdijo kot '\u010drna \u0161katla', katere relevantnost odgovorov jo je \u0161e treba dokazati. Poleg tega v ban\u010dnem sektorju, na podro\u010dju telekomunikacij in drugje obstajajo strogi zahtevki dr\u017eavnih regulatorjev. Vse sisteme in algoritemi, ki so implementirani v ban\u010dne procese, so predmet revizije. Da bi re\u0161ili to nalogo in dokazali podjetjem ter regulatorjem utemeljenost in pravilnost odgovorov umetne inteligence, se skupaj z modelom implementirajo orodja za spremljanje. Poleg tega obstaja postopek neodvisne validacije, ki je obvezen za regulirane modele in izpolnjuje zahteve CB. Neodvisna strokovna skupina izvede revizijo rezultatov, prejetih od modela ob upo\u0161tevanju vhodnih podatkov.<\/p>\n<p>Drug izziv je ocena in upo\u0161tevanje modelnih tveganj pri uvajanju modela strojnega u\u010denja. Tudi \u010de \u010dlovek ne more z 100-odstotno gotovostjo odgovoriti na vpra\u0161anje, ali je bilo tisto obleko bele ali modre barve, ima tudi umetna inteligenca pravico do napake. Prav tako je treba upo\u0161tevati, da se lahko s\u010dasoma podatki spreminjajo in modeli se morajo dodatno u\u010diti, da bi zagotavljali dovolj natan\u010dne rezultate. Da bi poslovni proces ostal neokrnjen, je potrebno upravljati modelna tveganja in spremljati delovanje modela ter ga redno izobra\u017eevati na novih podatkih.<\/p>\n<p><img decoding=\"async\" alt=\"MLOps: DevOps v svetu strojnega u\u010denja\" src=\"\/wp-content\/uploads\/2020\/06\/cb97ff0eab95d81e17bf76aad3c3994e.jpeg\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nToda po prvem obdobju nezaupanja se za\u010dne pojavljati nasproten u\u010dinek. Kar ve\u010d modelov se uspe\u0161no uvaja v procese, ve\u010dji je apetit podjetij za uporabo umetne inteligence \u2013 odkrivajo se nove in nove naloge, ki jih je mogo\u010de re\u0161iti s metodami strojnega u\u010denja. Vsaka naloga spro\u017ei celoten proces, ki zahteva razli\u010dne kompetence:<\/p>\n<ul>\n<li>podatni in\u017eenirji pripravljajo in obdelujejo podatke;\n<\/li>\n<li>podatni znanstveniki uporabljajo orodja strojnega u\u010denja in razvijajo modele;\n<\/li>\n<li>IT \u0432\u043d\u0435\u0434rivat' model' v sistemu;\n<\/li>\n<li>ML-inzhener opredelyaet, kak etu model' korrektno vstroyt' v protsess, kakoy IT-instrumentariy ispol'zovat' v zavisimosti ot trebovaniy k rezhimu primeneniya model'i s uchetom potoka obratnykh svyazei, vremeni otvetstva i t.p.\u00a0\n<\/li>\n<li>ML-arkhitektor proektirovat', kak fizicheski mozhno realizovat' programmnij produkt v promyshlennoy sisteme.\n<\/li>\n<\/ul>\n<p>\nVes' tsikl trebuyet bol'shogo kolichestva vysokokvalifitsirovannykh spetsialistov. V opredelennoy tochke razvitiya i stepeni proniknoveniya ML-modeli v biznes-protsessy okazyvayetsya, chto lineynoe massivirovanie chisla spetsialistov propotsional'no rostu kolichestva zadach stanoet dorogim i neeffektyvnym. Poetomu voznikayet vopros avtomatizatsii protsessa MLOps \u2014 opredelenie neskol'kikh standartnykh klassov zadach mashinnogo obucheniya, razrabotka tipovykh payplaynov obrabotki dannykh i doobucheniya model\u0435\u0439. V ideal'noy kartine dlya resheniya takikh zadach trebuyutsya professionaly, odinakovo khorosho vladeushchikh kompetentsiyami na styke BigData, Data Science, DevOps i IT. Poetomu samaya bol'shaya problema v industrii Data Science i samy bol'shoy vyzov pri organizatsii protsessov MLOps \u2014 eto otsutstvie takoy kompetentsii na imeyushchaysya rynke podgotovki kadr. Spetsialisty, udovletvoryayushchie takim trebovaniyam, v nastoyashchiy moment yedinichny na rynke truda i tsenitsya na ves zolota.<\/p>\n<h2>K voprosu o kompetentsiyakh<\/h2>\n<p>\nV teorii vse zadachi MLOps mozhno reshat' klassicheskimi instrumentami DevOps i ne pribe\u0433\u0430\u0442\u044c k spetsializirovannomu rasshireniyu rolevoy modeli. Togda, kak my uzhe otmetili vyshe, data-sayentist dolzhen byt' ne tol'ko matematikom i spetsialistom po analitike dannykh, no i guru vsego payplayna \u2014 na ego plechy lezhit razrabotka arkhitektury, programmiranie modely na neskol'kikh yazykakh v zavisimosti ot arkhitektury, podgotovka vitriny dannykh i deploy-ment samogo prilozheniya. Odnakov sozdanie tekhnologicheskoy obvyazki, realizuemoy v skvoznom protsesse MLOps, zajmet do 80% trudozatrat, a eto znachit, chto kvalifitsirovannyy matematika, kotoriy yavlyaetsya kachestvennym Data Scientist, budet tol'ko 20% vremeni posvyashchat' svoey spetsial'nosti. Poetomu razgranichenie rol' spetsialistov, osushchestvlyayushchikh protsess vnedreniya model\u0435\u0439 mashinnogo obucheniya, stanoet zhiznennoy neobkhodimost'yu.\u00a0<\/p>\n<p>Kako detaljno treba razdvojiti uloge, zavisi od veli\u010dine preduze\u0107a. Jedna je stvar kada u startapu jedan stru\u010dnjak, radnik sa rezervom energije, preuzima sve uloge \u2014 in\u017eenjera, arhitekta i DevOps. Sasvim druga stvar je kada u velikom preduze\u0107u svi procesi razvoja modela budu koncentrisani na nekoliko stru\u010dnjaka iz Data Science, dok programer ili stru\u010dnjak za baze podataka \u2014 \u0161to je mnogo \u010de\u0161\u0107a i manje skupa kompetencija na tr\u017ei\u0161tu rada \u2014 mo\u017ee preuzeti ve\u0107inu rutinskih zadataka.<\/p>\n<p>Dakle, od toga gde prolazi granica u izboru stru\u010dnjaka za obezbe\u0111ivanje procesa MLOps i kako je organizovan proces operativizacije razvijenih modela, direktno zavisi brzina i kvaliteta razvijenih modela, produktivnost tima i mikroklima u njemu.<\/p>\n<h2>\u0160ta je ve\u0107 sada ura\u0111eno od strane na\u0161eg tima<\/h2>\n<p>\nNedavno smo po\u010deli da gradimo strukturu kompetencija i procese MLOps. Ali ve\u0107 su u fazi testiranja MVP na\u0161i projekti za upravljanje \u017eivotnim ciklusom modela i za kori\u0161\u0107enje modela kao servis.<\/p>\n<p>Tako\u0111e smo definisali optimalnu strukturu kompetencija i organizacionu strukturu interakcije me\u0111u svim u\u010desnicima procesa za veliko preduze\u0107e. Organizovane su Agile ekipe koje re\u0161avaju zadatke za ceo spektar poslovnih klijenata, kao i uspostavljen je proces interakcije s projektnim timovima za izradu platformi i infrastrukture koja je osnova izgra\u0111enog MLOps sistema.<\/p>\n<h2>Pitanja za budu\u0107nost<\/h2>\n<p>\nMLOps je razvijaju\u0107i pravac koji ose\u0107a nedostatak kompetencija i u budu\u0107nosti \u0107e dobiti na zna\u010daju. A dokle god, najbolje je oslanjati se na postignu\u0107a i prakse DevOps. Osnovni cilj MLOps je efikasnije kori\u0161\u0107enje ML modela za re\u0161avanje poslovnih zadataka. No, pri tome se postavlja mnogo pitanja:<\/p>\n<ul>\n<li>Kako skratiti vreme do pokretanja modela u proizvodnji?\n<\/li>\n<li>Kako smanjiti birokratske prepreke izme\u0111u timova razli\u010ditih kompetencija i pove\u0107ati fokus na saradnju?\n<\/li>\n<li>Kako pratiti modele, upravljati verzijama i organizovati efikasan nadzor?\n<\/li>\n<li>Kako stvoriti zaista cikli\u010dni \u017eivotni ciklus za savremeni ML model?\n<\/li>\n<li>Kako standardizovati proces ma\u0161inskog u\u010denja?\n<\/li>\n<\/ul>\n<p>\nOdgovori na ta vpra\u0161anja bodo v veliki meri dolo\u010dili, kako hitro bo MLOps razkril svoj polni potencial.<br \/>\n<br \/>Izvor: <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 5.0.4 - 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\/sl\/blog\/administrirovanie\/mlops-devops-v-mire-machine-learning\" \/>\n\t\t<meta name=\"generator\" content=\"All in One SEO (AIOSEO) 5.0.4\" \/>\n\t\t<meta property=\"og:locale\" content=\"sl_SI\" \/>\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\/sl\/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 v svetu strojnega u\u010denja | ProHoster","description":"Leta 2018 je v poklicnih krogih in na tematskih konferencah, posve\u010denih AI, za\u017eivela terminologija MLOps, ki se je hitro uveljavila v industriji in se zdaj razvija kot samostojna smer.","canonical_url":"https:\/\/prohoster.info\/sl\/blog\/administrirovanie\/mlops-devops-v-mire-machine-learning","robots":"max-image-preview:large","keywords":"","webmasterTools":{"miscellaneous":""},"schema":null,"og:locale":"sl_SI","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\/sl\/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\/sl\/wp-json\/wp\/v2\/posts\/86523","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/prohoster.info\/sl\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/prohoster.info\/sl\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/prohoster.info\/sl\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/prohoster.info\/sl\/wp-json\/wp\/v2\/comments?post=86523"}],"version-history":[{"count":0,"href":"https:\/\/prohoster.info\/sl\/wp-json\/wp\/v2\/posts\/86523\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/prohoster.info\/sl\/wp-json\/wp\/v2\/media\/86524"}],"wp:attachment":[{"href":"https:\/\/prohoster.info\/sl\/wp-json\/wp\/v2\/media?parent=86523"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/prohoster.info\/sl\/wp-json\/wp\/v2\/categories?post=86523"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/prohoster.info\/sl\/wp-json\/wp\/v2\/tags?post=86523"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}