در این مقاله، و دو مقاله بعدی به شرح MLOPS، تفاوت آن با DevOps و ارتباط آن با یادگیری ماشین پرداخته می شود.
یکی از عوامل مهمی که موجب مطرح شدن MLOPS در فناوری های جدید شده است، پیچیدگی ها و چالش های حول یک کد یادگیری ماشین است. برخی از چالش ها و پیچیدگی های ارائه مدل در محیط عملیاتی و در انجام پیش بینی برخط، در شکل زیر نشان داده شده است (گوگل – مقاله 2014). همانطور که در شکل دیده می شود، تنها بخش کوچکی از سیستم های واقعی یادگیری ماشین، کد یادگیری ماشین هستند. زیرساخت حول این سیستم ها عظیم و پییچیده است. به طوری که نرم افزارهای پیرامون یک کد ML باید نیازمندی های زیر را در مراحل مخلتف توسعه و استقرار براورده کنند:
دانشمندان داده طی گام های ساخت و استقرار مدل یادگیری ماشین با این نیازها و پیچیدگی های آن مواجه می شوند. در واقع، در هر پروژه یادگیری ماشین، بعد از اینکه usacase کسب و کاری مشخص شد و معیارهای موفقیت تعیین شد، فرایند ساخت و تحویل مدل به محیط عملیاتی آغاز می شود.
در ادامه مقاله گام های فرایند مذکور به تشریح آمده است.
