awesome-mlops

O nástroji

ML-Ops.org je referenční a vzdělávací zdroj věnovaný oblasti Machine Learning Operations (MLOps), nikoli komerční software. Cílem projektu je poskytnout end-to-end proces vývoje strojového učení, díky němuž lze navrhovat, budovat a spravovat reprodukovatelný, testovatelný a dále rozvíjitelný ML software. Web vychází z doporučení Continuous Delivery Foundation SIG MLOps a popisuje principy jako automatizované testování ML artefaktů (validace dat, testování modelu, integrační testy), aplikaci agilních přístupů na ML projekty a začlenění ML modelů i datasetů do CI/CD systémů. Obsah zahrnuje témata jako návrh ML software, end-to-end workflow, tři úrovně ML software (data, modely, kód), principy MLOps, standardní procesní model CRISP-ML(Q), MLOps Stack Canvas pro návrh architektury a infrastruktury nebo governance ML modelů. Web provozuje Dr. Larysa Visengeriyeva a je propojen s kurátorovaným GitHub seznamem „awesome-mlops“, který odkazuje na konkrétní nástroje jako MLflow, Kubeflow, Feast nebo ZenML. Web i propojený repozitář jsou volně přístupné jako otevřený vzdělávací obsah, nejde o placený produkt ani o API. Zdrojový kód samotného webu je dostupný na GitHubu. Cílovou skupinou jsou datoví vědci, ML inženýři, produktoví manažeři a vývojáři pracující na ML produktech.

Klíčové vlastnosti

• Popisuje end-to-end workflow vývoje ML software
• Vysvětluje tři úrovně ML software: data, modely, kód
• Standardní procesní model CRISP-ML(Q)
• MLOps Stack Canvas pro návrh architektury a infrastruktury
• Přehled governance procesů pro ML modely
• Propojení s kurátorovaným seznamem nástrojů awesome-mlops na GitHubu

Časté dotazy

Kategorie