MLOps (Machine Learning Operations) adalah serangkaian praktik yang menggabungkan pengembangan dan pengoperasian perangkat lunak dengan pengembangan model pembelajaran mesin (ML), dan dengan cepat menjadi bagian integral dari siklus hidup ML. MLOps didefinisikan sebagai budaya kolaborasi antara ilmu data dan profesional DevOps untuk mengotomatisasi dan mengoptimalkan penyampaian sistem ML ke dalam produksi, sehingga meningkatkan kecepatan dan keandalan sistem tersebut. Istilah MLOps pertama kali diciptakan pada tahun 2017 oleh tim Microsoft Azure dan Google Cloud Platform dan telah diadopsi secara luas oleh komunitas ML.
Tujuan MLOps adalah menciptakan proses kolaboratif terpadu, otomatis, yang memungkinkan data scientist menerapkan model ML ke produksi dengan cepat dan efisien. MLOps menyediakan cara untuk menyederhanakan siklus iterasi dan pengujian yang harus dilalui model ML sebelum penerapan produksi. Proses ini membantu organisasi mempertahankan kontrol dan visibilitas atas seluruh siklus pengembangan model ML sekaligus memastikan bahwa model berperforma benar dan andal dalam produksi.
Proses MLOps mengikuti prinsip yang sama dengan yang digunakan di DevOps, seperti: Continuous Integration (CI) yang merupakan proses melakukan perubahan pada kode aplikasi dalam satu repositori yang diuji dan diintegrasikan secara rutin; Pengiriman Berkelanjutan (CD) yang merupakan proses otomatis yang menghasilkan dan menguji kode secara berkala; dan Continuous Deployment (CD) yang memastikan bahwa model kode yang baru dibuat secara otomatis dimasukkan ke produksi.
MLOps –yang merupakan kombinasi ML dan DevOps—lebih dari sekadar proses otomatis, karena MLOps juga mencakup kolaborasi, pengelolaan data, keamanan, pemantauan, metrik, dan audit. Praktik-praktik ini penting untuk keberhasilan penerapan model ML ke dalam produksi.
MLOps membantu organisasi dengan mengotomatiskan tugas-tugas sehari-hari, meningkatkan ketersediaan dan keandalan sistem, dan terus memvalidasi kinerja model dalam produksi. Penerapan MLOps juga memungkinkan data scientist untuk fokus pada hal terbaik yang mereka lakukan, yaitu membangun model yang lebih baik, karena proses MLOps menangani pemeliharaan dan pemantauan model tersebut.
Singkatnya, MLOps adalah kombinasi praktik terbaik DevOps dan ML yang memungkinkan data scientist dengan cepat menghadirkan model ML ke dalam produksi sambil terus memantau dan menyempurnakannya. MLOps membantu menghadirkan yang terbaik dari kedua dunia — ML dan DevOps—ke dalam proses terpadu dan otomatis yang secara signifikan mengurangi waktu pemasaran model ML.
