Machine Learning Operations (MLOps)

Machine Learning Operations (MLOps) — это набор практик, принципов и технологий, которые упрощают процесс перевода моделей машинного обучения (ML) от экспериментальной разработки к надежному развертыванию в продакшене. Объединяя исследовательский характер Data Science с жесткой дисциплиной DevOps, MLOps стремится унифицировать цикл выпуска приложений искусственного интеллекта (AI). В то время как традиционная разработка ПО фокусируется преимущественно на версионировании кода, MLOps вводит дополнительные сложности, связанные с управлением данными большого объема и меняющимся поведением моделей. Этот целостный подход гарантирует, что AI-системы остаются масштабируемыми, точными и управляемыми на протяжении всего их жизненного цикла.

Link to this sectionОсновные столпы MLOps#

Успешное внедрение MLOps опирается на преодоление разрыва между тремя отдельными дисциплинами: инженерией данных, машинным обучением и DevOps.

• Непрерывная интеграция и доставка (CI/CD): Точно так же, как стандартное ПО использует CI/CD пайплайны для автоматизации тестирования и развертывания, MLOps-пайплайны автоматизируют обучение и валидацию моделей. Это гарантирует, что изменения в коде или данных автоматически запускают шаги для проверки производительности модели до того, как обновления попадут в продакшн.
• Версионирование данных и моделей: В традиционном программировании ты версионируешь только исходный код. В MLOps командам необходимо использовать инструменты вроде DVC (Data Version Control) для отслеживания изменений в обучающих данных параллельно с гиперпараметрами модели. Это гарантирует воспроизводимость, позволяя инженерам воссоздать любую конкретную версию модели из истории.
• Непрерывный мониторинг: После развертывания модели могут деградировать из-за дрейфа концепта, когда статистические свойства целевой переменной меняются со временем. MLOps предполагает настройку систем наблюдаемости для отслеживания таких метрик, как задержка вывода и точность, автоматически оповещая команду, когда требуется переобучение.

Link to this sectionРеальные приложения#

MLOps является основой современного корпоративного AI, позволяя компаниям надежно масштабироваться от одной модели до тысяч развернутых конечных точек.

1. Предиктивное обслуживание в производстве: Заводы используют computer vision для выявления дефектов на сборочных линиях. MLOps-пайплайн гарантирует, что по мере появления новых продуктовых линеек модели обнаружения объектов переобучаются на новых изображениях, версионируются и автоматически развертываются на периферийных устройствах завода без простоя. Это гарантирует, что контроль качества остается неизменным даже при изменении производственных условий.

2. Умный учет товаров в рознице: Ритейлеры развертывают камеры для отслеживания запасов на полках. Поскольку освещение в магазине и упаковка продуктов часто меняются, дрейф модели является постоянным риском. Системы MLOps отслеживают оценки уверенности; если уверенность падает, система помечает изображения для аннотации и запускает цикл переобучения в облаке, отправляя обновленную модель в магазины для поддержания автоматизированного управления запасами.

Link to this sectionВнедрение MLOps с Ultralytics#

Критически важный шаг в любом MLOps-рабочем процессе — это отслеживание экспериментов. Это гарантирует, что каждый запуск обучения записывается вместе со своей специфической конфигурацией, позволяя командам воспроизводить результаты или откатываться к предыдущим версиям, если это необходимо.

Следующий пример демонстрирует, как обучить модель YOLO26 — новейшую передовую модель от Ultralytics, рекомендованную для всех новых проектов — с одновременным включением отслеживания проекта. Это естественным образом создает артефакты, необходимые для продакшн-пайплайна.

from ultralytics import YOLO

# Load the YOLO26 model (recommended for superior speed and accuracy)
model = YOLO("yolo26n.pt")

# Train the model while specifying project and name for organized logging
# This creates a structured directory of artifacts (weights, charts, args)
# which is essential for reproducibility in MLOps pipelines.
results = model.train(data="coco8.yaml", epochs=10, project="mlops_experiments", name="run_v1")

Организуя запуски обучения в рамках конкретных проектов, команды могут легко интегрировать инструменты вроде MLflow или TensorBoard для визуализации метрик производительности с течением времени. По мере масштабирования организации часто переносят эти рабочие процессы на Ultralytics Platform, которая предоставляет единый интерфейс для управления наборами данных, удаленного обучения и развертывания моделей в различные форматы, такие как TensorRT, для оптимизации скорости вывода.

Link to this sectionMLOps в сравнении со смежными понятиями#

Чтобы эффективно внедрять эти практики, важно отличать MLOps от смежных терминов в экосистеме.

• MLOps vs. DevOps: DevOps фокусируется на непрерывной доставке программных приложений. MLOps расширяет эти принципы, добавляя «Данные» и «Модель» в качестве первоклассных сущностей. В DevOps изменение кода запускает сборку; в MLOps изменение в распределении данных или падение точности также может запустить выполнение нового пайплайна.
• MLOps vs. Обслуживание моделей: Обслуживание моделей относится конкретно к инфраструктуре, используемой для размещения модели и обработки запросов на вывод. MLOps — это более широкий зонтичный термин, который охватывает обслуживание, а также включает фазы обучения, управления и мониторинга.
• MLOps vs. AutoML: Автоматизированное машинное обучение (AutoML) фокусируется на автоматизации процесса создания модели (например, выборе алгоритмов). MLOps управляет жизненным циклом этой модели после того, как она была создана, и обеспечивает операционную деятельность пайплайна, который запускает инструменты AutoML.