Auto-sync: update nexus workspace

wiki/concepts/MLOps.md

@@ -0,0 +1,59 @@
+---
+title: "MLOps"
+type: concept
+tags: [ML, DevOps, machine-learning, operations, CI/CD]
+sources:
+  - public-cloud-learning-sessions-introduction-to-artificial-intelligence-ai-machin
+last_updated: 2026-05-12
+---
+
+## Definition
+MLOps（Machine Learning Operations，机器学习运维）将机器学习与运维结合，涉及人员、技术和流程，以实现协作式 ML 解决方案。ML Ops 需要多元化团队和鼓励协作的文化，扩展了 DevOps 的原则和方法。
+
+## Key Components
+
+### Three Pipelines
+
+#### 1. Data Pipeline（数据管道）
+- 数据收集（Data Collection）
+- 数据集成（Data Integration）
+- 数据准备（Data Preparation）
+- **工具**: Amazon S3, Amazon Redshift
+
+#### 2. Training Pipeline（训练管道）
+- 特征工程（Feature Engineering）
+- 模型训练（Model Training）
+- 超参数调优（Hyperparameter Tuning）
+- **工具**: Amazon SageMaker
+
+#### 3. Inference Pipeline（推理管道）
+- 模型部署（Model Deployment）
+- 模型监控（Model Monitoring）
+- **工具**: Amazon SageMaker Real-time Endpoints
+
+## Key Challenges
+- 数据溯源（Data Provenance）
+- 模型管理（Model Management）
+- 部署工作流（Deployment Workflows）
+- 持续集成/持续部署（CI/CD）
+- 监控与可观测性
+
+## Relationship to DevOps
+MLOps 在 DevOps 实践基础上增加了 ML 特有的挑战：
+- 模型版本控制
+- 实验追踪
+- A/B 测试
+- 模型性能监控
+- 数据漂移检测
+
+## Related Concepts
+- [[DevOps]]
+- [[Amazon-SageMaker]]
+- [[Foundation-Models]]
+- [[Responsible-AI]]
+
+## Related Entities
+- [[AWS]]
+
+## Sources
+- [[public-cloud-learning-sessions-introduction-to-artificial-intelligence-ai-machin]]