1.5 小結(jié)

本章討論了在機器學(xué)習(xí)環(huán)境中使用DevOps原則的重要性。不僅僅是軟件，機器學(xué)習(xí)增加了新的復(fù)雜性用以管理數(shù)據(jù)和模型。解決這種復(fù)雜性的方法就像軟件工程社區(qū)使用DevOps擁抱自動化一樣。

建書架不同于種樹。書架需要初始的設(shè)計然后是一次性構(gòu)建。涉及機器學(xué)習(xí)的復(fù)雜軟件系統(tǒng)更像是種一棵樹。一棵樹的成功長成需要多個動態(tài)輸入，包括土壤、水、風(fēng)和太陽。

同樣，考慮MLOps的一種方法是25%準則。在圖1-13中，軟件工程、數(shù)據(jù)工程、建模和業(yè)務(wù)問題同等重要。MLOps的多學(xué)科特性，使其實現(xiàn)比較困難。但是，有許多公司遵循此25%準則在開發(fā)MLOps工具。

圖1-13：25%準則

特斯拉汽車就是一個很好的例子。它們在半自動駕駛汽車中為客戶提供想要的東西。它們有優(yōu)秀的軟件工程實踐，因為它們會不斷更新。同時，汽車系統(tǒng)不斷根據(jù)收到的新數(shù)據(jù)訓(xùn)練模型進行改進。遵循25%準則的另一個例子是Amazon Alexa設(shè)備。

下一章將討論MLOps所需的基礎(chǔ)技能。內(nèi)容包括面向程序員的數(shù)學(xué)、數(shù)據(jù)科學(xué)項目示例，以及一個完整的端到端MLOps過程。通過完成本章末尾提供的練習(xí)題，你將能很好地理解這些內(nèi)容。