Glossar

Operatives maschinelles Lernen (MLOps)

Entdecken Sie die Leistungsfähigkeit von MLOps: Rationalisieren Sie die Bereitstellung von ML-Modellen, automatisieren Sie Workflows, gewährleisten Sie Zuverlässigkeit und skalieren Sie den KI-Erfolg effizient.

Machine Learning Operations (MLOps) ist eine Reihe von Praktiken, die darauf abzielen, Machine Learning (ML) -Modelle in der Produktion zuverlässig und effizient bereitzustellen und zu warten. In Anlehnung an die DevOps-Grundsätze wendet MLOps ähnliche Konzepte auf den gesamten Lebenszyklus von KI-Modellen an, von der Datenerfassung und dem Modelltraining bis zur Bereitstellung und Überwachung. Das Hauptziel besteht darin, die Prozesse zu automatisieren und zu rationalisieren, die ein ML-Modell von einem Forschungsprototyp zu einer robusten, skalierbaren Produktionsanwendung machen. Dadurch wird sichergestellt, dass die Modelle nicht nur anfangs gut funktionieren, sondern auch im Laufe der Zeit, wenn neue Daten verfügbar werden, effektiv bleiben.

MLOps im Vergleich zu verwandten Konzepten

Es ist wichtig, MLOps von verwandten, aber unterschiedlichen Konzepten zu unterscheiden:

  • MLOps vs. AutoML: Sie können zwar zusammenarbeiten, haben aber einen unterschiedlichen Schwerpunkt. Automatisiertes maschinelles Lernen (AutoML) konzentriert sich auf die Automatisierung des Modellerstellungsprozesses, z. B. Datenvorverarbeitung, Feature-Engineering und Abstimmung der Hyperparameter. MLOps hingegen deckt den gesamten Lebenszyklus ab, einschließlich dessen, was nach der Erstellung des Modells kommt, wie Modellbereitstellung, Überwachung und Governance. AutoML kann als ein Tool innerhalb eines größeren MLOps-Frameworks betrachtet werden, das die Entwicklungsphase beschleunigt.
  • MLOps vs. DevOps: MLOps ist eine Spezialisierung von DevOps, die auf die besonderen Anforderungen des maschinellen Lernens zugeschnitten ist. Während sich DevOps auf die Automatisierung der Softwarebereitstellung durch Continuous Integration und Continuous Deployment (CI/CD) konzentriert, erweitert MLOps dieses Paradigma um die Daten- und Modellpipelines. Es befasst sich mit Herausforderungen, die in der traditionellen Softwareentwicklung nicht vorkommen, wie z. B. Datendrift, Modellversionierung und die Notwendigkeit einer kontinuierlichen Nachschulung.

Anwendungen in der realen Welt

MLOps-Verfahren sind für die Verwaltung komplexer ML-Systeme in Produktionsumgebungen unerlässlich.

  1. Empfehlungssysteme: Unternehmen wie Netflix oder Spotify nutzen MLOps, um die Modelle ihrer Empfehlungssysteme auf der Grundlage neuer Nutzerinteraktionsdaten kontinuierlich neu zu trainieren. MLOps-Pipelines ermöglichen ihnen A/B-Tests verschiedener Modellversionen, die Überwachung von Interaktionsmetriken und das schnelle Zurücksetzen unzureichender Modelle, um sicherzustellen, dass die Empfehlungen aktuell und personalisiert bleiben.
  2. Betrugsaufdeckung: Finanzinstitute setzen MLOps zur Verwaltung von Betrugserkennungsmodellen ein. Dazu gehört die Überwachung von Transaktionsdaten auf neue Muster betrügerischer Aktivitäten, die automatische Umschulung von Modellen mit neuen Daten, die Gewährleistung einer geringen Inferenzlatenz für die Echtzeiterkennung und die Pflege von Prüfprotokollen zur Einhaltung gesetzlicher Vorschriften. Die YOLO-Modelle von Ultralytics, die in visuellen Inspektionssystemen verwendet werden und in die Betrugserkennung einfließen können, profitieren ebenfalls von MLOps für die Bereitstellung und Überwachung auf Edge-Geräten.

Werkzeuge und Plattformen

Eine Vielzahl von Tools unterstützt die verschiedenen Phasen des MLOps-Lebenszyklus und ermöglicht den Teams den Aufbau effizienter und skalierbarer Arbeitsabläufe.

Werden Sie Mitglied der Ultralytics-Gemeinschaft

Beteiligen Sie sich an der Zukunft der KI. Vernetzen Sie sich, arbeiten Sie zusammen und wachsen Sie mit globalen Innovatoren

Jetzt beitreten
Link in die Zwischenablage kopiert