MLOps 更快地交付机器学习模型

一系列设计、构建和管理可重现、可测试和可持续的基于 ML 的软件实践。对于大数据 / 机器学习团队，MLOps 包含了大多数 DataOps 的任务以及其他特定于 ML 的任务，例如模型版本控制、测试、验证和监控

From Big Data to Good Data

Takeaways: Data-centric AI

百度架构：

训练：kubeflow+airflow+自己的工作流系统

预测：CRD + istio

调度器：volcano

参考资料

• A Chat with Andrew on MLOps: From Model-centric to Data-centric AI：[video] (opens new window) [slides] (opens new window)

• Practical MLOPS: HOW TO GET READY FORPRODUCTION MODELS: [blog] (opens new window) [eBook] (opens new window)

• What the Ops are you talking about? [Blog (English)] (opens new window) [Blog (中译版)] (opens new window)

• MLOps：机器学习中的持续交付和自动化流水线 [Blog] (opens new window)

• 从小作坊到智能中枢: MLOps简介：https://zhuanlan.zhihu.com/p/357897337

• 人类早期驯服野生机器学习模型的珍贵资料：https://zhuanlan.zhihu.com/p/330577488

• Full Stack Deep Learning：https://zhuanlan.zhihu.com/p/218468169

• 深入学习AI：https://stevenjokess.github.io/2bPM/chapter_AI_dive/MLOps.html

• fullstackdeeplearning：https://github.com/full-stack-deep-learning/fsdl-text-recognizer-2021-labs

• MLOps 简介：https://segmentfault.com/a/1190000039957405

• 使用Kubeflow和Volcano实现典型AI训练任务：

• https://support.huaweicloud.com/bestpractice-cce/cce_bestpractice_0075.html