什么是MLOps？
通过可重复且高效的工作流程交付机器学习模型的学科被称为机器学习操作(MLOps)。
MLOps与软件开发生命周期的DevOps一样，支持将高性能ML应用程序持续交付到大规模生产(SDLC)中。它考虑了ML建立一个与现有SDLC和CI/CD程序并存的新生命周期的独特需求，从而为ML带来更高效的工作流程和更好的结果。
MLOps的方法提高了机器学习和深度学习模型的质量，简化了管理流程，并在大规模生产环境中实现了自动化部署。模型可以更容易地与业务需求和法规要求保持一致。
ML需要有自己独特的生命周期。由于数据是程序的核心，ML不同于普通软件。这表明代码以数据管理而不是应用程序活动为中心。ML也是一个开环、不断发展的系统。一旦分发了模型，任务才刚刚开始。为了实现最佳性能，必须定期监控、重新训练和重新部署生产中的模型，以响应不断变化的数据信号。
ML生命周期是机器学习模型的持续集成、开发和交付过程。模型在开发、部署和运营三个关键阶段不断循环，以促进其在生产中不断调整。
MLOps是如何工作的？
MLOps可以很好地解决DevOps在软件工程领域解决的许多相同问题。DevOps解决了开发人员将项目移交给IT运营部门进行实施和维护时的问题，而MLOps则为数据科学家提供了一系列类似的优势。数据科学家、机器学习工程师和应用程序开发人员可以使用MLOps专注于合作为客户提供价值。
MLOps包括所有基本组件以及将它们全部集成在一起的能力——从数据源到合规性工具。
要构建可重复的ML，可以打包建模代码、依赖项和任何其他运行时要求。由于可重现的ML，运输和维护模型版本的成本将会降低。既然它已经打包，那么大规模部署也将变得相当容易。MLOps旅程中的这个阶段提供了可重复性，并且是几个基本步骤之一。
MLOps旨在通过使用一套一致原则在整个生命周期中支持机器学习模型。这些任务包括从实施源代码控制到维护模型版本注册表、打包标准、验证清单、部署方法和监控协议的任何内容。
由于监控管道会注意到数据漂移，因此成熟的MLOps技术允许企业确定何时需要重新训练模型。它还可以帮助确定使用了哪些数据、模型版本和代码库来进行特定预测。
MLOps的好处
更快地交付更多模型：部署和迭代模型的速度让您在机器学习方面具有竞争优势。MLOps的可重复、可扩展方法能够更快地将机器学习投入生产。
1.最大化ROI：如果MLOps存在的话，模型和基础设施监控就变成一项零散的工作。就可以快速监控和调整模型和基础架构，从而在减少基础架构支出的同时获得额外的利润率。
2.提高业务竞争力：为了在竞争中保持领先地位，需要经常调整模型。如果使用MLOps构建自动化管道和工作流，就能降低ML的总体成本，同时保持竞争力。
3.灵活集成：想使用最前沿的机器学习技术，可以使用MLOps简单地维护与各种数据科学工具的集成来完成。
