MLOps 領域正在加速擴展。近年來，我們看到的 ML 產品和MLOps 工具比我們可能需要的還要多。
如今，有數百種工具試圖以不同的方式解決一系列問題，其中一些有望提供端到端解決方案。當資料從業者試圖選擇正確的工具集來使用時，這通常會讓他們感到困惑。
隨著 ML 領域變得更加複雜和深遠
我們需要開始追蹤許多元素——從資料到 ML 模型參數。這是 MLOps 面臨的最大挑戰之一。
MLOps 領域中原始碼控制工具的現況如何？以及如何選擇最適合工作的工具？
MLOps 景觀簡介
MLOps 顯然正在致力於標準化基於 ML 的產品世界。創造這個術語的谷歌對該領域做了一個很好的概
述，展示了我們在推出機器學
習產品時所需的大量工作和工具。
MLOps 景觀
來源：Google
看起來很複雜，不是嗎？
這一切都從配置模型、收集資料和準備資料開始，到向最終用戶提供產品時結束。
但數據從業者是否對所有這些
要素負責？並不真地。乍看該圖，您就會知道我們需要來自不同學科的人才，例如資料科學家、DevOps、軟體工程等。
儘管如此，作為資料從業者，我們需 荷蘭 WhatsApp 號碼數據 要了解全局和流程每個部分的重要性，以及 MLOps 的關鍵原則。
機器學習開發原則
MLOps 的原理對我們來說並不陌生，我們只需要將它們從軟體開發領域應用到 MLOps 領域。
那麼，如何實現 MLOps 迭代增量開發的聖杯呢？
這方面與另一種能力有關：再現性。
在嘗試 ML 模型時，我們希望能夠在流程的每個步驟中重複相同的實驗。
我在這裡的意思是，這條路非常明確：你設計一個產品，開發它，然後將它提供給你的用戶。
但適當注意監控最終產品的效能
也很重要（這是迭代過程的向後部分）。它可以幫助您下次設計出更好的產品。
這使得可重複性成為 MLOps 團隊的關鍵目標之一。這也顯示了我們流程的成熟度，就像我們從軟體開發中了解到的 CI/CD 一樣。
在 MLOps 的世界中，我們建構的 攝影商業計劃：成功的基本步驟 可重複性實踐需要涉及許多元素：訓練程式碼、資料和 ML 模型，以及資料集和模型的不同參數。
可重複性是指讓團隊重複流程的
每一步，例如資料處理或模型訓練，並重複這些步驟，得到相同的結果。
既然我們了解了 MLOps 中原始 迴聲資料庫 碼控制的重要性，那麼我們該如何選擇最適合這項工作的工具呢？
2024 年 MLOps 工具的狀況
當我們開始研究lakeFS時，我們意識到資料工程是一個龐大的領域，而且它的不同部分往往會變得非常擁擠。 MLOps 也不例外。
我們經常收到這樣的問題：「您如何與該工具整合或如何從該工具獲取資料？」
要存取此報告的 PDF 版本，其中包含公司連結和所有類別的清單視圖，您也可以 按一下此處 （請注
意我們將需要一些聯絡資訊
要簡單地放大圖像，請立即單擊它
顯然，機器學習領域變得相當擁擠。由於我們是開源的，回饋社群對我們來說意義重大。我們決定對該領域的不同工具進行年度審查，以追蹤新的發展並檢查行業的發展方向。
看一下右側的第二列。 MLOps 工具在地圖上佔據了大量空間。有些人可能會說，到目前為止 MLOps 已經過度擬合了，因為有很多工具可以做類似的事情並承諾更多。真的很難理解是什麼讓他們與眾不同。