MLOps 指南

如果您希望扩展您的 AI 计划并采用机器学习操作 (MLOps) ，欢迎下载阅读

「开发和部署 ML 系统相对来说比较快捷和便宜，但随时间的推移，维护它们会变得困难且昂贵」
– D. Sculley et al., “Hidden Technical Debt in Machine Learning Systems, NIPS 2015”

麦肯锡《AI 现状》显示，AI 采用率比 2017 年翻了一番，AI 正在经历一次变革。各项计划正在经历实验阶段并进行部署。该领域中一些值得注意的变化包括：

• 各组织在 AI 计划中使用的功能日益增多
• 采用率的提高，让分配给机器学习项目的投资也不断增多
• 为确保生产部署的合规性，不断提升对收集、治理和道德的关注

您如何在快节奏的 AI 世界中驾驭这些变化？答案是构建运转良好的 MLOps 实践。就像 DevOps 改变软件开发世界一样，MLOps 促使 AI 技术不断成熟。

基于机器学习的生命周期，本指南为数据科学家和机器学习（ML）从业者提供一些指导准则，说明如何使用 MLOps 将 AI 模型从实验阶段带到生产阶段。内容涵盖：

• MLOps 是什么
• MLOps 的优点和基本原则
• MLOps 生命周期
• MLOps 工具
• Canonical 可为您提供的帮助

• 名字：
• 姓氏：
• 工作邮箱：
• 公司名称：
• 职位：
• 电话号码：
• 我同意接收有关Canonical的产品和服务信息。

• 在提交此表格的同时，我确认已阅读和同意的隐私声明和隐私政策。

• 提交