Machine Learning Operations (MLOps)
Изучи основы MLOps для оптимизации развертывания ИИ. Узнай, как управлять CI/CD, версионированием данных и мониторингом с помощью Ultralytics YOLO26 и нашей платформы.
Machine Learning Operations (MLOps) — это набор практик, принципов и технологий, который упрощает процесс перевода моделей machine learning (ML) из экспериментальной разработки в надежное промышленное развертывание. Сочетая исследовательский характер науки о данных со строгой дисциплиной DevOps, MLOps стремится объединить цикл выпуска приложений Artificial Intelligence (AI). Если традиционная разработка программного обеспечения сосредоточена главным образом на версионировании кода, то MLOps добавляет дополнительные сложности, связанные с управлением крупномасштабными данными и развивающимся поведением моделей. Этот комплексный подход гарантирует, что системы AI останутся масштабируемыми, точными и управляемыми на протяжении всего своего жизненного цикла.
Основные столпы MLOps#
Успешное внедрение MLOps опирается на преодоление разрыва между тремя отдельными дисциплинами: инженерией данных, машинным обучением и DevOps.
- Continuous Integration and Delivery (CI/CD): Подобно тому как стандартное ПО использует CI/CD pipelines для автоматизации тестирования и развертывания, конвейеры MLOps автоматизируют обучение и валидацию моделей. Это гарантирует, что изменения в коде или данных автоматически запускают этапы проверки model performance до того, как обновления попадут в продакшн.
- Data and Model Versioning: При традиционном программировании ты версионируешь только исходный код. В MLOps команды должны использовать такие инструменты, как DVC (Data Version Control), чтобы отслеживать изменения training data наряду с гиперпараметрами модели. Это гарантирует reproducibility, позволяя инженерам воссоздать любую конкретную версию модели из истории.
- Continuous Monitoring: После развертывания модели могут деградировать из-за concept drift, когда статистические свойства целевой переменной со временем меняются. MLOps включает в себя настройку систем observability для отслеживания таких метрик, как inference latency и точность, с автоматическим оповещением команд при необходимости повторного обучения.
Реальные приложения#
MLOps является основой современного корпоративного AI, позволяя компаниям надежно масштабироваться от одной модели до тысяч развернутых конечных точек.
-
Predictive Maintenance in Manufacturing: Заводы используют computer vision для выявления дефектов на сборочных линиях. Конвейер MLOps гарантирует, что по мере появления новых продуктовых линий модели object detection проходят повторное обучение на новых изображениях, версионируются и автоматически развертываются на периферийных устройствах завода без простоев. Это гарантирует, что quality inspection остается стабильной даже при изменении условий производства.
-
Smart Retail Inventory: Ритейлеры устанавливают камеры для отслеживания запасов на полках. Поскольку освещение в магазине и упаковка продуктов часто меняются, model drift представляет собой постоянный риск. Системы MLOps отслеживают оценки confidence; если уверенность падает, система помечает изображения для аннотирования и инициирует цикл повторного обучения в облаке, отправляя обновленную модель в магазины для поддержания automated inventory management.
Внедрение MLOps с Ultralytics#
Важнейшим шагом в любом рабочем процессе MLOps является experiment tracking. Это гарантирует, что каждый запуск обучения регистрируется с его конкретной конфигурацией, позволяя командам воспроизводить результаты или при необходимости возвращаться к предыдущим версиям.
Следующий пример демонстрирует, как обучить модель YOLO26 — новейшую современную модель от Ultralytics, рекомендуемую для всех новых проектов, — одновременно активируя отслеживание проектов. Это естественным образом создает артефакты, необходимые для производственного конвейера.
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 такие инструменты, как 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 различных форматах, таких как TensorRT, для оптимизации скорости вывода.
MLOps 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 инициирует сборку; в MLOps изменение распределений данных или падение precision также может запустить выполнение нового конвейера.
- MLOps vs. Model Serving: Model serving относится конкретно к инфраструктуре, используемой для размещения модели и обработки inference requests. MLOps — это более широкая концепция, которая охватывает обслуживание, а также включает в себя этапы обучения, управления и мониторинга.
- MLOps vs. AutoML: Automated Machine Learning (AutoML) фокусируется на автоматизации процесса создания моделей (например, выбор алгоритмов). MLOps управляет жизненным циклом этой модели после ее создания и обеспечивает операционную поддержку конвейера, запускающего инструменты AutoML.
