1.7 KiB
1.7 KiB
title, type, tags, sources, last_updated
| title | type | tags | sources | last_updated | ||||||
|---|---|---|---|---|---|---|---|---|---|---|
| MLOps | concept |
|
|
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