为开发人员和架构师设计适用于他们组织的MLOps架构的指南
介绍
根据Gartner的调查结果，只有53％的机器学习（ML）项目从概念证明（POC）进展到生产阶段。公司的战略目标与数据科学家构建的机器学习模型之间经常存在不匹配。DevOps、安全、法律、IT和数据科学家之间可能存在沟通不畅，导致将模型推向生产面临挑战。最后，团队可能发现在推出新模型的同时难以维护生产中的模型。这导致了MLOps的兴起，它将DevOps的原则（如持续集成和持续交付（CI/CD）、自动化和协作）引入到机器学习的生命周期中-开发、部署和监控。
在本文中，我将深入探讨以下内容：
- 机器学习过程中的各个步骤
- MLOps的不同组件，并解释为什么它们是必要的，而不深入了解只有数据科学家需要知道的细节
- 根据组织的规模和成熟度绘制MLOps架构图
- 关于启动MLOps之旅的一般建议
典型的机器学习过程
首先，让我们了解涉及机器学习过程的步骤。
机器学习过程包括以下组件：
- 业务问题和机器学习问题陈述：我们通过确定业务问题，并达成一致意见认为机器学习是解决该问题的正确方法来开始该过程。拟议的机器学习解决方案应产生可衡量的业务结果。
- 数据收集、整合和清洗：在此步骤中，数据科学家/数据工程师会收集数据，与不同来源进行整合，并进行清洗和转换，使其可以消耗。数据…