简化和精简 MLOps

机器学习操作（MLOps），是一个将机器学习投入到工业生产中的实践，是机器学习和 DevOPs 在软件领域交叉的产物，所以它在许多方面与 2012 年的 DevOps 相似。在 2012 年 DevOps 上线的时候，许多企业就意识到了它的价值，但是他们在实施 DevOps 的时候很困难，工具链非常复杂，生态系统也不够完善。而 MLOps 相比来说更加复杂，它的软件包包括安装、配置训练、推理基础设施、配置特征存储、配置模型注册表、监控模型的衰减以及检测模型漂移等所有的相关内容。其庞大的软件包也导致 MLOps 的部署比 DevOps 还困难。

MLOps 是被纳入基于云计算的 ML 平台的概念之一，平台包括如亚马逊网络服务的 Amazon SageMaker, Azure ML,   以及谷歌的 Vertex AI。然而，它所拥有的这些能力却不能用于混合和边缘计算这两个环境。因此，监测边缘计算的环境模型被证明是企业要面临的一个重大挑战。在处理计算机视觉系统和交互式人工智能系统时，创建一个为其服务的监测边缘计算的模型就变得更加具有挑战性。

随着 Kubeflow 和 MLflow 等开源项目的逐渐成熟，MLOps 其实已经很容易就能获取到。在未来几年我们或许可以看到一个精简和简化的 MLOps 方法横跨云领域和边缘计算环境。