MLOps eller ML Ops står for Machine Learning Operations og kan beskrives som DevOps for Machine Learning. Med MLOps er det muligt for medarbejdere inden for datalogi og IT, at samarbejde og øge tempoet i modeludvikling og implementering gennem overvågning, validering og styring af maskinlæringsmodeller. MLOps er med til at kunne levere innovation hurtigere.
MLOps er således et sæt praksis i skæringspunktet mellem maskinlæring, DevOps og computerteknologi. MLOps har til formål at distribuere og vedligeholde maskinlæringsmodeller i produktionen – pålideligt og effektivt.
Ordet er en kombination af maskinlæring og kontinuerlig udvikling af DevOps inden for softwareområdet. Maskinlæringsmodeller testes og udvikles i isolerede eksperimentelle systemer. Når en algoritme er klar til at blive lanceret, praktiseres MLOps mellem ingeniører i Data Science, DevOps og Machine Learning for at overføre algoritmen til produktionssystemer.
I lighed med DevOps eller DataOps søger MLOps at øge automatiseringen og forbedre kvaliteten af produktionsmodeller, samtidig med at der fokuseres på forretningskrav og lovkrav. MLOps startede som et sæt bedste praksis, men har udviklet sig til en uafhængig tilgang til ML livscyklusstyring.
MLOps gælder for hele livscyklussen – fra integration med modelgenerering (softwareudviklingens livscyklus, kontinuerlig integration / kontinuerlig levering), orkestrering og distribution, til sundhed, diagnostik, ledelse og forretningsberegninger.
Ifølge Gartner er MLOps en delmængde af ModelOps. MLOps fokuserer på at operationalisere ML-modeller, mens ModelOps dækker operationalisering af alle typer AI-modeller.
Hos Cegal sætter vi stor pris på at arbejde i teams, og vi investerer ressourcer i MLOps. MLOps hjælper os med at få maskinlæringsmodeller sat i produktion – ved at lette facilitering mellem data science-team og driftsteams.
Modeller er i sagens natur ikke statiske, og derfor bruger vi MLOps til at hjælpe vores teams med hurtigt at justere eller ændre vores modeller under produktionen. Denne hurtige ledelsesintervention er især vigtig, når det kommer til at forhindre forfordeling, hvilket er vigtigt for os i Cegal.
MLOps øger troværdigheden, pålideligheden og produktiviteten af vores Machine Learning udvikling og giver vores kunder stor forretningsværdi.