什么是 MLOps

机器学习运营 (MLOps) 是一套重点管理机器学习模型的整个生命周期的做法。随着越来越多的组织依赖机器学习来实现数据和技术驱动的应用，最初以模型开发和部署为重点已扩展到包括持续监控和更新。

MLOps 将开发的设计、编译和测试活动与运营的部署、维护和监控活动关联起来，形成一个连续反馈的回路，从而简化了将机器学习模型纳入生产的过程。MLOps 的协作性和跨职能性意味着它通常需要数据科学家、工程师和 IT 专业人员团队等多方人员参与。

MLOps 和开发运营一体化有什么区别？MLOps 和开发运营一体化都致力于简化将软件开发纳入生产的过程，并涉及开发团队和运营团队之间的协作。不过，MLOps 的重点是机器学习模型的完整生命周期。

MLOps 为何重要

MLOps 能够将棘手的机器学习周期自动化过程简化。自动化还需要执行其他步骤：监控和评估模型性能，将该评估的结果纳入性能更好的模型中，然后重新部署新模型。MLOps 在将机器学习生产化能够带来显著的好处：减少错误，使团队之间更容易交接，并能持续改进 AI 系统。

MLOps 在以下的应用中特别有用：

使用 MATLAB 自动化 MLOps

使用 MATLAB^® 和 Simulink^® 使您能够自动化 MLOps 流程。

• 创建机器学习模型 - 使用预置的函数和专用 App 来选择或设计功能，并为 classification、regression 和聚类创建机器学习模型。

• 您可以使用 AutoML 来自动化 MLOps 的模型设计。对于深度学习，您可以从 MATLAB 或开源资源中获得预训练模型。
• 对 AI 系统进行仿真 - 使用专用模块，例如 SVM 分类模块或目标检测模块，将机器学习模型集成到 AI 系统中，并在将其部署到生产之前对整个 AI 系统进行仿真。
• 使用 CI 进行编译和测试 - 使用不同持续集成 (CI) 平台（例如 Azure^® DevOps、Jenkins^®）或您自己的 CI 服务器来运行 MATLAB 代码和对 Simulink 系统进行仿真。CI 支持代码和系统的自动编译和测试，团队之间的协作，以及在 MLOps 周期的早期检测集成问题。
• 部署到生产中 - 将 MATLAB 机器学习模型部署到 MATLAB Production Server™ 中，而无需创建新代码或自定义基础架构。之后，多个用户可以自动访问部署的 MATLAB 模型的最新版本。
• 监控运营 - 一旦您的机器学习模型投入到生产中，您就可以监控其性能并提供反馈。例如，使用漂移检测将观测的数据与训练数据进行比较，确定何时需要重新训练。