60 lines
1.7 KiB
Markdown
60 lines
1.7 KiB
Markdown
---
|
||
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]]
|