MLOps MLOps 또는 ML Ops는 프로덕션 환경에서 기계 학습 모델을 안정적이고 효율적으로 배포하고 유지하는 것을 목표로 하는 패러다임이다.[1] 이 단어는 "머신러닝"과 소프트웨어 분야 데브옵스의 지속적인 개발 관행의 합성어이다. 기계 학습 모델은 격리된 실험 시스템에서 테스트되고 개발된다. 알고리즘을 시작할 준비가 되면 데이터 과학자, 데브옵스 및 기계 학습 엔지니어 간에 MLOps를 실행하여 알고리즘을 프로덕션 시스템으로 전환한다.[2] 데브옵스 또는 데이터옵스 접근 방식과 유사하게 MLOps는 자동화를 강화하고 프로덕션 모델의 품질을 향상시키는 동시에 비즈니스 및 규제 요구 사항에도 중점을 두고 있다. MLOps는 일련의 모범 사례로 시작되었지만 ML 수명 주기 관리에 대한 독립적인 접근 방식으로 천천히 발전하고 있다. MLOps는 모델 생성(소프트웨어 개발 수명 주기, 지속적 통합/지속적 배포), 오케스트레이션 및 배포 통합부터 상태, 진단, 거버넌스 및 비즈니스 지표에 이르기까지 전체 수명 주기에 적용된다. 가트너에 따르면 MLOps는 모델옵스의 하위 집합이다. MLOps는 ML 모델의 운영화에 중점을 두고 있는 반면, 모델옵스는 모든 유형의 AI 모델의 운영화를 다룬다.[3] 같이 보기각주
|
Index:
pl ar de en es fr it arz nl ja pt ceb sv uk vi war zh ru af ast az bg zh-min-nan bn be ca cs cy da et el eo eu fa gl ko hi hr id he ka la lv lt hu mk ms min no nn ce uz kk ro simple sk sl sr sh fi ta tt th tg azb tr ur zh-yue hy my ace als am an hyw ban bjn map-bms ba be-tarask bcl bpy bar bs br cv nv eml hif fo fy ga gd gu hak ha hsb io ig ilo ia ie os is jv kn ht ku ckb ky mrj lb lij li lmo mai mg ml zh-classical mr xmf mzn cdo mn nap new ne frr oc mhr or as pa pnb ps pms nds crh qu sa sah sco sq scn si sd szl su sw tl shn te bug vec vo wa wuu yi yo diq bat-smg zu lad kbd ang smn ab roa-rup frp arc gn av ay bh bi bo bxr cbk-zam co za dag ary se pdc dv dsb myv ext fur gv gag inh ki glk gan guw xal haw rw kbp pam csb kw km kv koi kg gom ks gcr lo lbe ltg lez nia ln jbo lg mt mi tw mwl mdf mnw nqo fj nah na nds-nl nrm nov om pi pag pap pfl pcd krc kaa ksh rm rue sm sat sc trv stq nso sn cu so srn kab roa-tara tet tpi to chr tum tk tyv udm ug vep fiu-vro vls wo xh zea ty ak bm ch ny ee ff got iu ik kl mad cr pih ami pwn pnt dz rmy rn sg st tn ss ti din chy ts kcg ve
Portal di Ensiklopedia Dunia
