MLOps 指南

如果您希望擴展您的 AI 計劃並採用機器學習運營化工具 (MLOps) ，歡迎下載閱讀

「開發及部署 ML 系統相對快速便宜，但隨著時間的推移，其維護既困難又昂貴」
– D. Sculley et al., “Hidden Technical Debt in Machine Learning Systems, NIPS 2015”

麥肯錫 AI 現況報告指出，AI 的採用率與 2017 年相比已翻倍。AI 正在經歷一場轉變，各項計劃正在經歷實驗階段，並進行部屬。該領域有些值得注意的變化：

• 各組織在 AI 計劃中使用的功能日益增多
• 採用率的提高，讓分配給機器學習專案的投資也不斷增多
• 為確保生產部署的合規性，不斷提升對收集、治理及道德規範的關注

您如何在步調快速的 AI 世界中應對這些變化？答案就是建立一個妥善運行的 MLOps 實踐。如同 DevOps 改變軟體開發的世界一樣，MLOps 也將促使 AI 更為成熟。

基於機器學習的生命週期，這本指南能為數據科學家及 ML 從業人員提供一些指導準則，說明如何使用 MLOps 將 AI 模型從實驗階段帶到生產階段。內容涵蓋：

• 什麼是 MLOps
• MLOps 的優勢
• MLOps 生命週期
• MLOps 工具
• 開源的 MLOps

Contact information

• First name:
• Last name:
• Work email:
• Company name:
• Job title:
• Mobile/cell phone number:
• I agree to receive information about Canonical's products and services.

• In submitting this form, I confirm that I have read and agree to Canonical's Privacy Notice and Privacy Policy.

• Website:
• Name:
• Download the whitepaper