MLOps

Questa voce è orfana, ovvero priva di collegamenti in entrata da altre voci.

Inseriscine almeno uno pertinente e utile e rimuovi l'avviso. Segui i suggerimenti del progetto di riferimento.

Questa voce o sezione sull'argomento informatica è ritenuta da controllare.

Motivo: le fonti sono state riportate male da wiki-en, perdondosi dei pezzi

---

Partecipa alla discussione e/o correggi la voce. Segui i suggerimenti del progetto di riferimento.

MLOps o ML Ops è un insieme di pratiche che mira a sviluppare e mantenere i modelli di apprendimento automatico in produzione in modo affidabile ed efficiente.^[1] La parola è un composto di "apprendimento automatico" (Machine Learning, ML) e DevOps, la metodologia di sviluppo del software. I modelli di apprendimento automatico sono testati e sviluppati in sistemi sperimentali isolati. Quando un algoritmo è pronto per essere rilasciato, MLOps coinvolge data scientist, sviluppatori DevOps e ingegneri di Machine Learning per portare l'algoritmo in produzione.^[2] Simile agli approcci DevOps o DataOps, MLOps cerca di aumentare l'automazione e migliorare la qualità dei modelli di produzione, concentrandosi al contempo anche sui requisiti aziendali e normativi. Sebbene MLOps sia iniziato come un insieme di best practice, si sta lentamente evolvendo in un approccio indipendente alla gestione del ciclo di vita del ML. MLOps si applica all'intero ciclo di vita, dall'integrazione con la generazione del modello (modello di sviluppo del software, integrazione continua/consegna continua ), orchestrazione e distribuzione, all'integrità, alla diagnostica, alla governance e alle metriche aziendali. Secondo Gartner, MLOps è un sottoinsieme di ModelOps . MLOps si concentra sull'operazionalizzazione dei modelli ML, mentre ModelOps copre l'operazionalizzazione di tutti i tipi di modelli di intelligenza artificiale.

Esplora i principali repository MLOps di GitHub per tenere traccia delle tendenze e delle risorse emergenti.