{"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\/sv\/blog\/administrirovanie\/mlops-devops-v-mire-machine-learning","title":{"rendered":"MLOps: DevOps i v\u00e4rlden av Maskininl\u00e4rning","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"<p>\u00c5r 2018 introducerades termen MLOps i professionella kretsar och vid temakonferenser om AI, och har snabbt etablerat sig inom branschen som ett sj\u00e4lvst\u00e4ndigt omr\u00e5de. I framtiden kan MLOps bli en av de mest eftertraktade sektorerna inom IT. Vad inneb\u00e4r det och hur anv\u00e4nds det? Vi g\u00e5r igenom det nedan.<\/p>\n<p><img decoding=\"async\" alt=\"MLOps: DevOps i v\u00e4rlden av Maskininl\u00e4rning\" 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>Vad \u00e4r MLOps<\/h2>\n<p>\nMLOps (en integration av teknologier och processer f\u00f6r maskininl\u00e4rning och metoder f\u00f6r att implementera utvecklade modeller i aff\u00e4rsprocesser) \u00e4r ett nytt s\u00e4tt f\u00f6r samarbete mellan aff\u00e4rsrepresentanter, forskare, matematikexperter, specialister inom maskininl\u00e4rning och IT-ingenj\u00f6rer f\u00f6r att skapa system f\u00f6r artificiell intelligens.<\/p>\n<p>Med andra ord \u00e4r det ett s\u00e4tt att omvandla metoder och teknologier inom maskininl\u00e4rning till ett anv\u00e4ndbart verktyg f\u00f6r att l\u00f6sa aff\u00e4rsproblem.\u00a0<\/p>\n<p>Det \u00e4r viktigt att f\u00f6rst\u00e5 att kedjan av produktivitet b\u00f6rjar l\u00e5ngt innan modellen utvecklas. Det f\u00f6rsta steget \u00e4r att definiera aff\u00e4rsproblemet, hypoteserna om det v\u00e4rde som kan extraheras fr\u00e5n data och aff\u00e4rsid\u00e9erna f\u00f6r till\u00e4mpning.\u00a0<\/p>\n<p>Sj\u00e4lva begreppet MLOps uppstod som en analogi till begreppet DevOps, men till\u00e4mpat p\u00e5 modeller och teknologier f\u00f6r maskininl\u00e4rning. DevOps \u00e4r en metod f\u00f6r mjukvaruutveckling som m\u00f6jligg\u00f6r snabbare implementering av \u00e4ndringar samtidigt som man beh\u00e5ller flexibilitet och tillf\u00f6rlitlighet genom olika metoder, inklusive kontinuerlig utveckling, uppdelning av funktioner i oberoende mikrotj\u00e4nster, automatiserad testning och distribution av specifika \u00e4ndringar, global \u00f6vervakning av prestanda, samt ett system f\u00f6r snabb respons p\u00e5 identifierade problem och mycket mer.\u00a0<\/p>\n<p>DevOps definierade livscykeln f\u00f6r mjukvara och i specialistgemenskapen f\u00f6ddes id\u00e9n att anv\u00e4nda samma metodik f\u00f6r stora data. DataOps \u00e4r ett f\u00f6rs\u00f6k att anpassa och ut\u00f6ka metoden med h\u00e4nsyn till s\u00e4rskildheterna i lagring, \u00f6verf\u00f6ring och bearbetning av stora datam\u00e4ngder p\u00e5 olika och interaktiva plattformar.<br \/>\n\u00a0\u00a0<br \/>\nMed framv\u00e4xten av en viss kritisk massa av maskininl\u00e4rningsmodeller som implementerats i f\u00f6retags aff\u00e4rsprocesser har en stark likhet mellan livscykeln f\u00f6r matematiska maskininl\u00e4rningsmodeller och livscykeln f\u00f6r mjukvara blivit uppm\u00e4rksammad. Skillnaden ligger endast i att algoritmerna f\u00f6r modellerna skapas med hj\u00e4lp av verktyg och metoder f\u00f6r maskininl\u00e4rning. D\u00e4rf\u00f6r har id\u00e9n att till\u00e4mpa och anpassa k\u00e4nda metoder f\u00f6r mjukvaruutveckling p\u00e5 maskininl\u00e4rningsmodeller naturligtvis uppkommit. P\u00e5 s\u00e5 s\u00e4tt kan f\u00f6ljande nyckelstadier identifieras i livscykeln f\u00f6r maskininl\u00e4rningsmodeller:<\/p>\n<ul>\n<li>definiera aff\u00e4rsid\u00e9n;\n<\/li>\n<li>tr\u00e4na modellen;\n<\/li>\n<li>testa och implementera modellen i aff\u00e4rsprocessen;\n<\/li>\n<li>drift av modellen.\n<\/li>\n<\/ul>\n<p>\nN\u00e4r behovet av att \u00e4ndra eller vidareutbilda modellen med nya data uppst\u00e5r under driftsfasen, startar cykeln om \u2014 modellen f\u00f6rb\u00e4ttras, testas, och en ny version deployas.<\/p>\n<blockquote><p>Avvikelse. Varf\u00f6r vidareutbilda ist\u00e4llet f\u00f6r att omutbilda? Termen \"omutbildning av modellen\" har en dubbel betydelse: bland specialister betyder det en defekt modell, d\u00e4r modellen g\u00f6r bra f\u00f6ruts\u00e4gelser, faktiskt upprepar det f\u00f6rutsagda v\u00e4rdet p\u00e5 tr\u00e4ningsdata, men fungerar mycket s\u00e4mre p\u00e5 externa datam\u00e4ngder. Uppenbarligen \u00e4r en s\u00e5dan modell en defekt, eftersom denna brist f\u00f6rhindrar dess till\u00e4mpning.<\/p><\/blockquote>\n<p>\nI denna livscykel verkar det logiskt att anv\u00e4nda DevOps-verktyg: automatiserad testning, distribution och \u00f6vervakning, utformning av modellber\u00e4kningar som separata mikrotj\u00e4nster. Men det finns ocks\u00e5 en rad s\u00e4rdrag som hindrar en direkt till\u00e4mpning av dessa verktyg utan ytterligare ML-bindningar.<\/p>\n<p><img decoding=\"async\" alt=\"MLOps: DevOps i v\u00e4rlden av Maskininl\u00e4rning\" src=\"\/wp-content\/uploads\/2020\/06\/e1d01fd68c3f0071f925a82c08d29d25.jpeg\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<\/p>\n<h2>Hur f\u00e5r man modeller att fungera och generera vinst<\/h2>\n<p>\nSom ett exempel d\u00e4r vi kommer att demonstrera till\u00e4mpningen av MLOps, tar vi den klassiska uppgiften att automatisera kundsupport genom chatt f\u00f6r bankprodukter (eller andra produkter). Vanligtvis ser aff\u00e4rsprocessen f\u00f6r support via chatt ut som f\u00f6ljer: en kund skriver ett meddelande med en fr\u00e5ga i chatten och f\u00e5r ett svar fr\u00e5n en specialist enligt en f\u00f6rutbest\u00e4md dialogstruktur. Automatiseringen av en s\u00e5dan chatt usually l\u00f6ses med expertbest\u00e4mda regelupps\u00e4ttningar, som \u00e4r mycket tidskr\u00e4vande att utveckla och underh\u00e5lla. Effektiviteten av s\u00e5dan automatisering, beroende p\u00e5 uppgiftens komplexitet, kan uppg\u00e5 till 20\u201330%. Naturligtvis v\u00e4cks id\u00e9n att det \u00e4r mer f\u00f6rdelaktigt att implementera en artificiell intelligensmodul \u2013 en modell utvecklad med hj\u00e4lp av maskininl\u00e4rning, som:<\/p>\n<ul>\n<li>kan hantera fler f\u00f6rfr\u00e5gningar utan hj\u00e4lp av en operat\u00f6r (beroende p\u00e5 \u00e4mnet, kan effektiviteten i vissa fall n\u00e5 70\u201380%);\n<\/li>\n<li>b\u00e4ttre anpassar sig till icke-standardformuleringar i dialogen \u2013 kan uppt\u00e4cka avsikten, det verkliga \u00f6nskem\u00e5let fr\u00e5n anv\u00e4ndaren baserat p\u00e5 otydligt formulerade f\u00f6rfr\u00e5gningar;\n<\/li>\n<li>vet att avg\u00f6ra n\u00e4r modellens svar \u00e4r adekvat, och n\u00e4r det finns tvivel kring \u00abmedvetenheten\u00bb av detta svar och det beh\u00f6vs en ytterligare avklarande fr\u00e5ga eller en \u00f6verf\u00f6ring till en operat\u00f6r;\n<\/li>\n<li>kan automatiskt vidareutbildas (ist\u00e4llet f\u00f6r en grupp utvecklare som st\u00e4ndigt anpassar och justerar svarsscenarier, utbildar en Data Science-specialist modellen med hj\u00e4lp av l\u00e4mpliga maskininl\u00e4rningsbibliotek).\u00a0\n<\/li>\n<\/ul>\n<p>\n<img decoding=\"async\" alt=\"MLOps: DevOps i v\u00e4rlden av Maskininl\u00e4rning\" src=\"\/wp-content\/uploads\/2020\/06\/9ef6356090a250df6cb212ab8bedb5f3.jpeg\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nHur f\u00e5r man en s\u00e5 avancerad modell att fungera?\u00a0<\/p>\n<p>Precis som n\u00e4r man l\u00f6ser andra uppgifter, innan man utvecklar en s\u00e5dan modul, m\u00e5ste man fastst\u00e4lla aff\u00e4rsprocessen och formellt beskriva den specifika uppgift som vi ska l\u00f6sa med metoden f\u00f6r maskininl\u00e4rning. Vid denna punkt inleds processens operabilisering, som anges med akronymen Ops.\u00a0<\/p>\n<p>N\u00e4sta steg \u00e4r att data science-specialisten i samarbete med dataingenj\u00f6ren kontrollerar tillg\u00e5ngen och tillr\u00e4ckligheten av data samt aff\u00e4rshypotesen om aff\u00e4rsid\u00e9ns genomf\u00f6rbarhet genom att utveckla en prototyp av modellen och pr\u00f6va dess faktiska effektivitet. Endast efter bekr\u00e4ftelse fr\u00e5n aff\u00e4rsh\u00e5ll kan \u00f6verg\u00e5ngen fr\u00e5n modellutveckling till integrering i system som utf\u00f6r specifika aff\u00e4rsprocesser b\u00f6rja. En helhetsplanering av implementeringen, en djup f\u00f6rst\u00e5else f\u00f6r hur modellen kommer att anv\u00e4ndas p\u00e5 varje steg och vilken ekonomisk effekt den kommer att medf\u00f6ra, \u00e4r en grundl\u00e4ggande aspekt i processen f\u00f6r att implementera MLOps i f\u00f6retagets teknologiska landskap.<\/p>\n<p>Med utvecklingen av AI-teknologier \u00f6kar antalet och m\u00e5ngfalden av uppgifter som kan l\u00f6sas med hj\u00e4lp av maskininl\u00e4rning lavinartat. Varje s\u00e5dan aff\u00e4rsprocess inneb\u00e4r besparingar f\u00f6r f\u00f6retaget genom automatisering av arbetet f\u00f6r anst\u00e4llda inom masspositioner (callcenter, granskning och sortering av dokument etc.), det \u00e4r en utvidgning av kundbasen genom att l\u00e4gga till nya attraktiva och bekv\u00e4ma funktioner, besparingar genom optimal anv\u00e4ndning av resurser och omf\u00f6rdelning av resurser och mycket mer. Slutligen \u00e4r varje process inriktad p\u00e5 att skapa v\u00e4rde och d\u00e4rmed m\u00e5ste den ge viss ekonomisk effekt. Det \u00e4r h\u00e4r viktigt att klart formulera aff\u00e4rsid\u00e9n och ber\u00e4kna den f\u00f6rv\u00e4ntade vinsten fr\u00e5n implementeringen av modellen inom den \u00f6vergripande strukturen f\u00f6r v\u00e4rdeskapandet i f\u00f6retaget. Det finns situationer d\u00e4r implementeringen av modellen inte l\u00f6nar sig, och den tid som maskininl\u00e4rningsexperterna l\u00e4gger ner blir mycket dyrare \u00e4n arbetsplatsen f\u00f6r en operat\u00f6r som utf\u00f6r denna uppgift. D\u00e4rf\u00f6r m\u00e5ste s\u00e5dana fall identifieras tidigt i processen f\u00f6r att skapa AI-system.<\/p>\n<p>D\u00e4rf\u00f6r b\u00f6rjar modellen f\u00f6rst generera vinster n\u00e4r aff\u00e4rsuppgiften i MLOps har formulerats korrekt, prioriteringarna har st\u00e4llts och implementeringsprocessen f\u00f6r modellen i systemet har formulerats tidigt i utvecklingen.<\/p>\n<h2>Nytt process \u2013 nya utmaningar<\/h2>\n<p>\nEtt utf\u00f6rligt svar p\u00e5 den fundamentala fr\u00e5gan om hur till\u00e4mpbara ML-modeller \u00e4r f\u00f6r att l\u00f6sa problem, samt den allm\u00e4nna fr\u00e5gan om f\u00f6rtroende f\u00f6r AI \u2013 det \u00e4r en av de centrala utmaningarna i utvecklingen och implementeringen av MLOps-ansatser. Inledningsvis \u00e4r f\u00f6retag skeptiska till att implementera maskininl\u00e4rning i processerna \u2013 det \u00e4r sv\u00e5rt att f\u00f6rlita sig p\u00e5 modeller i situationer d\u00e4r m\u00e4nniskor tidigare har arbetat. F\u00f6r f\u00f6retag framst\u00e5r programmen som en \"svart l\u00e5da\", vars relevans fortfarande m\u00e5ste bevisas. Dessutom finns det strikta krav fr\u00e5n statliga myndigheter inom bankverksamhet, telekommunikation och andra branscher. Alla system och algoritmer som implementerats i bankprocesser genomg\u00e5r en revision. F\u00f6r att l\u00f6sa detta problem och \u00f6vertyga f\u00f6retag och myndigheter om AI:s svar relevans och korrekthet, implementeras \u00f6vervakningsverktyg tillsammans med modellen. Det finns ocks\u00e5 en oberoende valideringsprocedur, som \u00e4r obligatorisk f\u00f6r regulatoriska modeller och som uppfyller centralbankens krav. En oberoende expertgrupp g\u00f6r en revision av resultaten som modellen har producerat i beaktande av ing\u00e5ngsdata.<\/p>\n<p>Den andra utmaningen \u00e4r att bed\u00f6ma och ta h\u00e4nsyn till modellrisker vid implementering av maskininl\u00e4rningsmodeller. Om \u00e4ven en m\u00e4nniska inte kan svara med hundraprocentig s\u00e4kerhet p\u00e5 fr\u00e5gan om kl\u00e4nningen var vit eller bl\u00e5, s\u00e5 har ocks\u00e5 artificiell intelligens r\u00e4tt att g\u00f6ra misstag. Det \u00e4r ocks\u00e5 v\u00e4rt att notera att data kan f\u00f6r\u00e4ndras \u00f6ver tid, och modellerna beh\u00f6ver forts\u00e4tta att tr\u00e4nas f\u00f6r att ge tillr\u00e4ckligt exakta resultat. F\u00f6r att aff\u00e4rsprocessen inte ska p\u00e5verkas negativt, \u00e4r det n\u00f6dv\u00e4ndigt att hantera modellrisker och \u00f6vervaka modellens arbete, genom att regelbundet \u00e5tertr\u00e4na den med nya data.<\/p>\n<p><img decoding=\"async\" alt=\"MLOps: DevOps i v\u00e4rlden av Maskininl\u00e4rning\" src=\"\/wp-content\/uploads\/2020\/06\/cb97ff0eab95d81e17bf76aad3c3994e.jpeg\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nMen efter den f\u00f6rsta fasen av misstro b\u00f6rjar en motsatt effekt att framtr\u00e4da. Ju fler modeller som framg\u00e5ngsrikt implementeras i processerna, desto mer \u00f6kar f\u00f6retagens aptit f\u00f6r att anv\u00e4nda artificiell intelligens \u2013 nya uppgifter dyker upp som kan l\u00f6sas med hj\u00e4lp av maskininl\u00e4rning. Varje uppgift initierar en hel process som kr\u00e4ver olika kompetenser:<\/p>\n<ul>\n<li>dataingenj\u00f6rer f\u00f6rbereder och bearbetar data;\n<\/li>\n<li>datascientister till\u00e4mpar verktyg f\u00f6r maskininl\u00e4rning och utvecklar modeller;\n<\/li>\n<li>IT implementerar modellen i systemet;\n<\/li>\n<li>ML-ingenj\u00f6ren best\u00e4mmer hur modellen p\u00e5 r\u00e4tt s\u00e4tt ska integreras i processen, vilket IT-verktyg som ska anv\u00e4ndas beroende p\u00e5 krav f\u00f6r anv\u00e4ndning av modellen med h\u00e4nsyn till fl\u00f6det av f\u00f6rfr\u00e5gningar, svarstid osv.\u00a0\n<\/li>\n<li>ML-arkitekten designar hur programvaruprodukten kan genomf\u00f6ras fysiskt i ett industriellt system.\n<\/li>\n<\/ul>\n<p>\nHela cykeln kr\u00e4ver ett stort antal h\u00f6gt kvalificerade specialister. Vid en viss punkt i utvecklingen och graden av integration av ML-modeller i aff\u00e4rsprocesser visar det sig att det blir dyrt och ineffektivt att linj\u00e4rt skala antal specialister i proportion till \u00f6kningen av antalet uppgifter. D\u00e4rf\u00f6r uppst\u00e5r fr\u00e5gan om automatisering av MLOps-processen \u2014 att definiera flera standardklasser av maskininl\u00e4rningsuppgifter, utveckla typiska pipeline f\u00f6r databehandling och vidareutbildning av modeller. I den ideala bilden f\u00f6r att l\u00f6sa s\u00e5dana problem kr\u00e4vs proffs som beh\u00e4rskar kompetenser i korsningen mellan Big Data, Data Science, DevOps och IT. D\u00e4rf\u00f6r \u00e4r den st\u00f6rsta utmaningen inom Data Science-industrin och den st\u00f6rsta utmaningen vid organisering av MLOps-processer avsaknaden av s\u00e5dan kompetens p\u00e5 den befintliga arbetsmarknaden. Specialister som uppfyller dessa krav \u00e4r f\u00f6r n\u00e4rvarande enstaka p\u00e5 arbetsmarknaden och v\u00e4rderas som guld.<\/p>\n<h2>N\u00e4r det g\u00e4ller kompetenser<\/h2>\n<p>\nTeoretiskt kan alla uppgifter inom MLOps l\u00f6sas med klassiska DevOps-verktyg utan att beh\u00f6va ta till en specialiserad utvidgning av rollmodellen. Som vi redan har n\u00e4mnt ovan m\u00e5ste data scientist vara inte bara matematiker och specialist inom dataanalys, utan ocks\u00e5 m\u00e4stare i hela pipelinen \u2014 det faller p\u00e5 honom att utveckla arkitekturen, programmera modeller p\u00e5 flera spr\u00e5k beroende p\u00e5 arkitekturen, f\u00f6rbereda datavitrinen och distribuera sj\u00e4lva applikationen. Men att skapa den tekniska infrastrukturen som implementeras i den integrerade MLOps-processen tar upp till 80% av arbetsinsatsen, vilket betyder att en kvalificerad matematiker, som en kvalitets Data Scientist, endast kommer att \u00e4gna 20% av sin tid \u00e5t sitt specialomr\u00e5de. D\u00e4rf\u00f6r blir uppdelningen av roller bland specialister som genomf\u00f6r processen f\u00f6r implementering av maskininl\u00e4rningsmodeller livsn\u00f6dv\u00e4ndig.\u00a0<\/p>\n<p>Hur detaljerat roller b\u00f6r s\u00e4rskiljas beror p\u00e5 f\u00f6retagets storlek. Det \u00e4r en sak n\u00e4r en specialist i en startup \u00e4r en m\u00e5ngsysslare som fungerar som ingenj\u00f6r, arkitekt och DevOps. En helt annan sak \u00e4r n\u00e4r alla utvecklingsprocesser f\u00f6r modeller p\u00e5 ett stort f\u00f6retag \u00e4r koncentrerade till ett f\u00e5tal h\u00f6gt kvalificerade Data Science-specialister, medan programmerare eller databasspecialister \u2014 en mer vanlig och billigare kompetens p\u00e5 arbetsmarknaden \u2014 kan ta hand om st\u00f6rre delen av de rutinm\u00e4ssiga uppgifterna.<\/p>\n<p>S\u00e5ledes beror var gr\u00e4nsen g\u00e5r i valet av specialister f\u00f6r att s\u00e4kerst\u00e4lla MLOps-processen och hur operationaliseringen av de utvecklade modellerna \u00e4r organiserad direkt p\u00e5 hastigheten och kvaliteten p\u00e5 de utvecklade modellerna, teamets produktivitet och arbetsklimatet.<\/p>\n<h2>Vad v\u00e5rt team har \u00e5stadkommit hittills<\/h2>\n<p>\nVi b\u00f6rjade nyligen bygga upp kompetensstrukturer och MLOps-processer. Men nu \u00e4r v\u00e5ra projekt f\u00f6r hantering av modellernas livscykel och att anv\u00e4nda modeller som en tj\u00e4nst redan i MVP-testning.<\/p>\n<p>Vi har ocks\u00e5 definierat den optimala kompetensstrukturen och den organisatoriska strukturen f\u00f6r samarbetet mellan alla deltagare i processen, vilket ledde till att Agile-team skapades som l\u00f6ser uppgifter f\u00f6r hela spektrumet av aff\u00e4rskunder. Samtidigt har vi etablerat samarbeten med projektteam som skapar plattformar och infrastruktur som \u00e4r grunden f\u00f6r den byggnad MLOps.<\/p>\n<h2>Fr\u00e5gor f\u00f6r framtiden<\/h2>\n<p>\nMLOps \u00e4r ett utvecklande omr\u00e5de som lider av brist p\u00e5 kompetenser och kommer att \u00f6ka i betydelse i framtiden. Men f\u00f6r nu \u00e4r det b\u00e4st att utg\u00e5 ifr\u00e5n etablerade metoder och praxis inom DevOps. Huvudsyftet med MLOps \u00e4r att mer effektivt anv\u00e4nda ML-modeller f\u00f6r att l\u00f6sa aff\u00e4rsproblem. Men det v\u00e4cker m\u00e5nga fr\u00e5gor:<\/p>\n<ul>\n<li>Hur kan vi minska tiden f\u00f6r att s\u00e4tta modeller i produktion?\n<\/li>\n<li>Hur kan vi minska byr\u00e5kratiska friktioner mellan team med olika kompetenser och \u00f6ka fokus p\u00e5 samarbete?\n<\/li>\n<li>Hur kan vi sp\u00e5ra modeller, hantera versioner och organisera effektiv \u00f6vervakning?\n<\/li>\n<li>Hur kan vi skapa en verkligt cyklisk livscykel f\u00f6r en modern ML-modell?\n<\/li>\n<li>Hur kan vi standardisera processen f\u00f6r maskininl\u00e4rning?\n<\/li>\n<\/ul>\n<p>\nSvar p\u00e5 dessa fr\u00e5gor kommer i h\u00f6g grad att avg\u00f6ra hur snabbt MLOps kommer att avsl\u00f6ja sin fulla potential.<br \/>\n<br \/>K\u00e4lla: <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\/sv\/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=\"sv_SE\" \/>\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\/sv\/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 i v\u00e4rlden av Machine Learning | ProHoster","description":"\u00c5r 2018 introducerades begreppet MLOps inom professionella kretsar och p\u00e5 tematisk konferenser som fokuserade p\u00e5 AI, vilket snabbt etablerade sig inom branschen och nu utvecklas som en sj\u00e4lvst\u00e4ndig disciplin.","canonical_url":"https:\/\/prohoster.info\/sv\/blog\/administrirovanie\/mlops-devops-v-mire-machine-learning","robots":"max-image-preview:large","keywords":"","webmasterTools":{"miscellaneous":""},"schema":null,"og:locale":"sv_SE","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\/sv\/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\/sv\/wp-json\/wp\/v2\/posts\/86523","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/prohoster.info\/sv\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/prohoster.info\/sv\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/prohoster.info\/sv\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/prohoster.info\/sv\/wp-json\/wp\/v2\/comments?post=86523"}],"version-history":[{"count":0,"href":"https:\/\/prohoster.info\/sv\/wp-json\/wp\/v2\/posts\/86523\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/prohoster.info\/sv\/wp-json\/wp\/v2\/media\/86524"}],"wp:attachment":[{"href":"https:\/\/prohoster.info\/sv\/wp-json\/wp\/v2\/media?parent=86523"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/prohoster.info\/sv\/wp-json\/wp\/v2\/categories?post=86523"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/prohoster.info\/sv\/wp-json\/wp\/v2\/tags?post=86523"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}