MLOps (عمليات التعلم الآلي) هي مجموعة من الممارسات التي تدمج تطوير البرامج والعمليات مع تطوير نموذج التعلم الآلي (ML)، وسرعان ما أصبحت جزءًا لا يتجزأ من دورة حياة تعلم الآلة. يتم تعريف MLOps على أنها ثقافة التعاون بين متخصصي علوم البيانات وDevOps لأتمتة وتحسين تسليم أنظمة ML إلى الإنتاج، وبالتالي تحسين سرعة وموثوقية تلك الأنظمة. تمت صياغة مصطلح MLOps لأول مرة في عام 2017 من قبل فرق Microsoft Azure وGoogle Cloud Platform وأصبح معتمدًا على نطاق واسع من قبل مجتمع ML.
الهدف من MLOps هو إنشاء عملية موحدة وآلية وتعاونية تسمح لعلماء البيانات بنشر نماذج تعلم الآلة في الإنتاج بسرعة وكفاءة. توفر MLOps طريقة لتبسيط دورات التكرار والاختبار التي تحتاج نماذج تعلم الآلة إلى المرور بها قبل نشر الإنتاج. تساعد هذه العملية المؤسسات في الحفاظ على السيطرة والرؤية على دورة تطوير نموذج تعلم الآلة بأكملها مع ضمان أداء النماذج بشكل صحيح وموثوق في الإنتاج.
تتبع عملية MLOps نفس المبادئ المستخدمة في DevOps، مثل: التكامل المستمر (CI) وهي عملية الالتزام بالتغييرات على كود التطبيق في مستودع واحد يتم اختباره وتكامله بشكل روتيني؛ التسليم المستمر (CD) وهو عملية تلقائية تنتج وتختبر التعليمات البرمجية على فترات منتظمة؛ والنشر المستمر (CD) الذي يضمن دفع نماذج التعليمات البرمجية المبنية حديثًا تلقائيًا إلى الإنتاج.
تعد MLOps – وهي مزيج من ML و DevOps – أكثر من مجرد عملية تلقائية، لأنها تتضمن أيضًا التعاون وإدارة البيانات والأمن والمراقبة والمقاييس والتدقيق. تعتبر هذه الممارسات ضرورية للنشر الناجح لنماذج التعلم الآلي في الإنتاج.
تساعد MLOps المؤسسات من خلال أتمتة المهام الدنيوية، وتحسين توفر النظام وموثوقيته، والتحقق المستمر من صحة أداء النماذج في الإنتاج. يتيح تنفيذ MLOps أيضًا لعلماء البيانات التركيز على ما يفعلونه بشكل أفضل وهو بناء نماذج أفضل، حيث تعتني عملية MLOps بصيانة تلك النماذج ومراقبتها.
باختصار، MLOps عبارة عن مزيج من أفضل ممارسات DevOps وML التي تمكن علماء البيانات من إدخال نماذج ML بسرعة في الإنتاج مع مراقبتها وتحسينها باستمرار. تساعد MLOps على جلب أفضل ما في العالمين - ML وDevOps - في عملية موحدة ومؤتمتة تقلل بشكل كبير من وقت طرح نماذج ML في السوق.
