MLOps 策略的目标

实施 MLOps 策略能将机器学习 (machine learning)项目从实验性质的练习转变为可靠的业务功能。这种转变需要一套明确的目标，这些目标不仅是让模型在开发机器上运行一次，还为构建自动化、可重复且可扩展的系统提供了框架，最终将模型的潜力转化为实际的业务价值。

实现整个机器学习 (machine learning)生命周期的自动化

MLOps 的首要目标是在机器学习生命周期的每个阶段引入自动化。在许多项目中，从获取新数据到重新训练模型的过程往往是手动且耗时的，涉及多个步骤以及团队之间的交接。这种方式不仅慢，而且容易出错，也难以扩大规模。

MLOps 旨在用自动化流水线取代这些手动步骤。可以将其看作模型的装配线。这条流水线将数据摄取、预处理、模型训练和验证连接成一个统一的工作流，并可以自动触发。例如，可以配置流水线在有新数据可用时或按定期计划运行。这种自动化大幅缩短了更新模型所需的时间，让团队能够腾出精力去解决更重要的问题。

确保可重复性

机器学习 (machine learning)中最常见的挑战之一是“在我的机器上可以运行”的问题。数据科学家可能在 Notebook 中构建了一个高性能模型，但当其他人尝试重新创建时，结果却不一致，或者干脆运行失败。这种缺乏可重复性的情况使得排查问题、审计结果或放心地在先前工作基础上进行开发变得不可能。

MLOps 策略将可重复性设定为一项必须满足的要求。这通过对影响最终模型的每个组件进行系统化的版本控制来实现：

• 代码： 用于数据处理、训练和评估的脚本使用 Git 等版本控制系统进行跟踪。
• 数据： 对用于训练模型的具体数据集进行版本化。即使数据的细微变化也可能导致产生完全不同的模型。
• 模型： 训练好的模型产物，连同其性能指标和参数 (parameter)，都会被存储并进行版本控制。

通过同时跟踪这三个要素，你可以为生成的每个模型创建完整且可审计的记录。如果需要回滚到以前的版本，或者需要了解特定模型的具体创建过程，你将拥有所需的全部信息。

构建可靠性与扩展性

一个在开发环境中表现良好的模型，只有当它能够部署到既可靠又可扩展的生产系统中时才有用。可靠性意味着模型服务系统能够持续可用，并稳定地返回预测结果。扩展性则意味着它能够处理日益增长的请求数量或数据量，而不会出现性能下降。

MLOps 的目标直接支持了这一点。通过使用 Docker 容器化等实践，你可以将模型及其依赖项打包成一个独立的单元，从而在不同环境中保持运行的一致性。通过实施监控，你可以跟踪模型的运行健康状况，例如延迟和错误率。这种对运行卓越性的关注确保了模型不仅能工作，而且在生产环境的工作负载压力下也能表现良好。

促进协作与治理

机器学习 (machine learning)不是一项单打独斗的活动。它需要数据科学家、机器学习工程师、软件开发人员和运维团队的专业知识。如果没有统一的流程，这些团队往往各自为政，导致摩擦和效率低下。

MLOps 创建了一个统一的工作流，弥合了这些不同角色之间的鸿沟。它提供了一种通用的语言和一套共享的工具，使团队能够更有效地协作。数据科学家可以专注于实验，而机器学习工程师可以在同一个结构化框架内专注于模型的生产化。

此外，这种结构化的方法有助于实现强有力的治理。跟踪谁训练了哪个模型、使用了什么数据、验证表现如何以及何时部署变得非常容易。这种程度的可追溯性不仅是良好的实践，对于许多行业来说，更是监管的要求。

MLOps 策略的主要目标共同协作，以支持在生产环境中运行可靠的机器学习系统这一核心目标。