MLOps 指南

學習如何選擇機器學習運營化工具,確保AI計畫的生產部署及維運

如果您希望擴展您的 AI 計劃並採用機器學習運營化工具 (MLOps) ,歡迎下載閱讀

「開發及部署 ML 系統相對快速便宜,但隨著時間的推移,其維護既困難又昂貴」
– D. Sculley et al., “Hidden Technical Debt in Machine Learning Systems, NIPS 2015”

麥肯錫 AI 現況報告指出,AI 的採用率與 2017 年相比已翻倍。AI 正在經歷一場轉變,各項計劃正在經歷實驗階段,並進行部屬。該領域有些值得注意的變化:

  • 各組織在 AI 計劃中使用的功能日益增多
  • 採用率的提高,讓分配給機器學習專案的投資也不斷增多
  • 為確保生產部署的合規性,不斷提升對收集、治理及道德規範的關注

您如何在步調快速的 AI 世界中應對這些變化?答案就是建立一個妥善運行的 MLOps 實踐。如同 DevOps 改變軟體開發的世界一樣,MLOps 也將促使 AI 更為成熟。

基於機器學習的生命週期,這本指南能為數據科學家及 ML 從業人員提供一些指導準則,說明如何使用 MLOps 將 AI 模型從實驗階段帶到生產階段。內容涵蓋:

  • 什麼是 MLOps
  • MLOps 的優勢
  • MLOps 生命週期
  • MLOps 工具
  • 開源的 MLOps

Contact information
  • In submitting this form, I confirm that I have read and agree to Canonical's Privacy Notice and Privacy Policy.