机器学习操作成熟度模型

此成熟度模型的目的是帮助阐明机器学习操作 (MLOps) 原则和做法。 成熟度模型显示了生产级机器学习应用程序环境的创建和操作的持续改进。 可以将其用作建立衡量机器学习生产环境及其关联流程成熟度所需的渐进式要求的指标。

成熟度模型

MLOps 成熟度模型有助于阐明运行成功 MLOps 环境所需的开发操作 (DevOps) 原则和做法。 它旨在确定现有组织尝试实现此类环境时存在的差距。 这也是一种展示如何以增量增强 MLOps 功能的方法，而不是通过完全成熟环境的要求让你感觉不堪重负。 将其用作指南执行以下操作：

• 估计新项目的工作范围。

• 建立切合实际的成功标准。

• 确定在项目结束时将交付的可交付结果。

与大多数成熟度模型一样，MLOps 成熟度模型定性地评估人员/文化、流程/结构和对象/技术。 随着成熟度提高，事件或错误将导致开发和生产流程质量提高的概率增加。

MLOps 成熟度模型包含五个技术能力级别：

下面的表标识了该进程成熟度级别的详细特征。 该模型将继续改进。 此版本上次更新时间为 2020 年 1 月。

级别 0：无 MLOps

级别 1：DevOps，无 MLOps

级别 2：自动化训练

级别 3：自动化模型部署

级别 4：完整 MLOps 自动化重新训练

后续步骤

• 学习路径：机器学习操作 (MLOps) 简介
• 训练模块：通过 MLOps 开启机器学习生命周期
• MLOps：使用 Azure 机器学习进行模型管理、部署和监视
• 什么是 Azure 机器学习管道？

相关资源

• 用于通过 Azure 机器学习提升机器学习生命周期的机器学习操作 (MLOps) 框架
• 使用 Azure Databricks 编排 MLOps
• 使用 Azure 网络安全保护 MLOps 解决方案
• 适用于 Python 模型的 MLOps（使用 Azure 机器学习）