云原生丨MLOps与DevOps的区别

MLOps 是机器学习 (ML) 工程的很重要的一个部分，专注于简化和加速将 ML 模型交付到生产以及维护和监控它们的过程。

MLOps 涉及不同团队之间的协作，包括数据科学家、DevOps 工程师、IT 专家等。

MLOps 可以帮助组织创建和提高其 AI 和机器学习解决方案的质量。

采用 MLOps 允许机器学习工程师和数据科学家通过实施持续集成和持续部署 (CI/CD) 实践来协作提高模型性能。

它通过整合 ML 模型的适当监控、治理和验证来加速 ML 模型开发过程。

什么是 DevOps？  

DevOps 结合了开发和运营的概念，将单独的应用程序开发和 IT 运营团队结合起来。

/图片来源网络

从最广泛的意义上说，DevOps 是一种哲学，它鼓励组织内团队之间改进沟通与合作。

在最狭义的意义上，DevOps 是指采用能够部署和维护迭代应用程序开发、自动化和可编程基础架构的实践。

它还包括工作场所文化的变化，例如开发人员、系统管理员和其他团队成员之间的信任建立和联系。

DevOps使技术与业务目标保持一致，可以改变软件交付链、工作职能、服务、工具和最佳实践。

MLOps与DevOps的差异化 

以下是MLOps和传统 DevOps之间的一些主要区别。

#   发展

开发的概念是指每个模型中的不同事物，CI/CD 管道略有不同。

开发运维：

• 通常，代码会创建一个接口或应用程序

• 在使用一组检查进行部署和测试之前，将代码包装到可执行文件或工件中

• 理想情况下，这个自动化循环将一直持续到最终产品准备好

MLOps： 

• 该代码使团队能够构建或训练机器学习模型

• 输出工件包括可以接收数据输入以生成推理的序列化文件

• 验证涉及根据测试数据检查训练模型的性能

• 这个循环也应该持续到模型达到指定的性能阈值

#   版本控制

开发运维：

• 版本控制通常只跟踪代码和工件的更改

• 可以跟踪的指标很少

MLOps： 

• MLOps 管道通常有更多的因素需要跟踪。构建和训练 ML 模型涉及一个迭代实验周期，需要跟踪每个实验的各种指标和组件（对于以后的审计至关重要

• 要跟踪的其他组件包括训练数据集、模型构建代码和模型工件

• 指标包括超参数和模型性能指标，例如错误率

#  可重用性

开发运维：

• DevOps 管道专注于可重复的流程。

• 团队可在不遵循特定工作流程的情况下混合和匹配流程

MLOps： 

• MLOps 管道重复应用相同的工作流。跨项目的通用框架有助于提高一致性并允许团队更快地取得进展，因为他们从熟悉的流程开始

• 项目模板提供结构，支持定制以满足每个用例的独特要求

• 使用集中式数据管理来整合组织的数据，以加速发现和培训过程。集中化的常见方法包括单一事实来源和数据仓库

#   持续监控

监控对于 DevOps 和 MLOps 都是必不可少的，但原因略有不同。

开发运维：

• 站点可靠性工程 (SRE) 在过去几年中一直呈趋势，强调从开发到生产部署都需要监控软件

• 该软件不会像 ML 模型那样退化

MLOps： 

• 机器学习模型会迅速退化，需要持续监控和更新

• 生产环境中的条件会影响模型的准确性。部署到生产环境后，模型开始根据来自现实世界的新数据生成预测。这些数据不断变化和适应，降低了模型性能

• MLOps 通过合并程序以促进持续监控和模型再培训，确保算法保持生产就绪

#   基础设施

DevOps 和 MLOps 都严重依赖云技术，但有不同的操作要求。

DevOps依赖于基础设施：

• 基础设施即代码 (IaC)构建服务器

• 构建服务器

• CI/CD 自动化工具

MLOps依赖于以下基础设施：

• 深度学习和机器学习框架

• 大型数据集的云存储

• 用于深度学习和计算密集型 ML 模型的

DevOps 和 MLOps 趋势 

以下是推动 DevOps 和 MLOps 发展的一些主要趋势。

#  GitOps

作为 DevOps 工作流程的新演变，GitOps 是一种用于控制和自动化基础架构的新范例。面向 Kubernetes 的范例使开发人员和运营团队能够使用 Git 管理 Kubernetes 集群并交付容器化应用程序。

为运营和开发团队实施 Git 工作流程允许开发人员利用 Git 拉取请求来管理软件部署和基础设施。

GitOps 整合了现有的开发工具，通过 CI/CD 管理云原生和基于集群的应用程序。它使用 Git 存储库作为单一事实来源，自动部署、监控和维护云原生应用程序。

GitOps 是一种在 Kubernetes 中实现和维护集群的方法。持续交付和部署允许开发人员通过增量发布更快地构建、测试和部署软件。

Kubernetes 持续集成和运行时管道必须能够读取和写入文件、更新容器存储库以及从 Git 加载容器。

GitOps 通过版本控制、实时监控和配置更改警报来帮助企业管理其基础架构。

#  综合数据

合成数据是人工生成的任何信息，而不是从真实事件中收集的信息。算法生成合成数据，用作操作和生产测试数据集的替代品。

合成数据集也可用于验证数学模型和训练机器学习模型。

合成数据的好处包括：

• 最大限度地减少与使用敏感和受监管数据相关的限制

• 根据实际数据中不可用的特定要求和条件自定义数据

• 为 DevOps 团队生成用于测试软件质量和性能的数据

#  无代码机器学习和人工智能

机器学习通常涉及计算机代码来设置和处理模型训练，但情况并非总是如此。

无代码机器学习是一种编程方法，它消除了 ML 应用程序通过耗时过程的需要。

Codeless ML 消除了专家开发系统软件的需要。

它的部署和实施也更简单、更便宜。在机器学习过程中使用拖放输入可以通过以下方式简化培训工作：

• 评估结果

• 拖放训练数据

• 创建预测报告

• 使用纯文本查询

Codeless ML 使开发人员可以轻松访问机器学习应用程序，但它不能替代高级、细致入微的项目。

这种方法适用于缺乏资金来维持内部数据科学团队的小型企业。

#  TinyML

TinyML 是一种机器学习和人工智能模型开发的新方法。它涉及在具有硬件限制的设备上运行模型，例如为智能汽车、冰箱和电表供电的微控制器。

这种策略最适合这些用例，因为它加快了算法的速度——数据不需要在服务器上来回传输。它在大型服务器上尤为重要，可以加快整个 ML 开发过程。

在物联网边缘设备上运行 TinyML 程序有很多好处：

• 降低能耗

• 减少延迟

• 用户隐私保证

• 降低带宽要求

使用 TinyML 提供了更大的隐私，因为计算过程完全是本地的。它消耗更少的功率和带宽，从而降低延迟，因为它不需要将数据发送到中央位置进行处理。

正在利用这一创新的行业包括农业和医疗保健。

他们通常使用嵌入了 TinyML 算法的物联网设备，使用收集到的数据来监控和预测现实世界的事件。

写在最后 

本文中，我介绍了 MLOps 和 DevOps 之间的主要区别：

开发——DevOps 管道专注于开发软件产品的新版本，而 MLOps 专注于提供有效的机器学习模型。

版本控制——DevOps 主要关注跟踪二进制文件和软件工件，而 MLOps 跟踪其他因素，如超参数和模型性能。

可重用性——DevOps 和 MLOps 都努力创建可重用的流程和管道，但使用不同的策略来实现可重复性。

持续监控——监控对 DevOps 很重要，但在 MLOps 中更重要，因为模型和数据漂移会导致模型性能下降。

最后，介绍了一些将在不久的将来改变 DevOps 和 MLOps 的关键趋势。

我希望这将有助于您在新的、令人兴奋的开发生态系统中发现自己的位置。