MLOps (Machine Learning Operations) é um conjunto de práticas que mescla o desenvolvimento e as operações de software com o desenvolvimento de modelos de aprendizado de máquina (ML) e está rapidamente se tornando parte integrante do ciclo de vida do ML. MLOps é definido como uma cultura de colaboração entre profissionais de ciência de dados e DevOps para automatizar e otimizar a entrega de sistemas de ML em produção, melhorando assim a velocidade e a confiabilidade desses sistemas. O termo MLOps foi cunhado pela primeira vez em 2017 pelas equipes do Microsoft Azure e do Google Cloud Platform e foi amplamente adotado pela comunidade de ML.
O objetivo do MLOps é criar um processo unificado, automatizado e colaborativo que permita aos cientistas de dados implantar modelos de ML na produção de forma rápida e eficiente. MLOps fornece uma maneira de agilizar os ciclos de iteração e teste que os modelos de ML precisam passar antes da implantação em produção. O processo ajuda as organizações a manter o controle e a visibilidade sobre todo o ciclo de desenvolvimento do modelo de ML, ao mesmo tempo que garante que os modelos tenham um desempenho correto e confiável na produção.
O processo de MLOps segue os mesmos princípios utilizados no DevOps, tais como: Integração Contínua (CI) que é o processo de commitar alterações no código de uma aplicação em um único repositório que é rotineiramente testado e integrado; Entrega Contínua (CD), que é um processo automatizado que produz e testa código em intervalos regulares; e Implantação Contínua (CD), que garante que modelos de código recém-construídos sejam automaticamente enviados para produção.
MLOps – que é uma combinação de ML e DevOps – é mais do que um processo automatizado, pois também inclui colaboração, gerenciamento de dados, segurança, monitoramento, métricas e auditoria. Essas práticas são essenciais para a implantação bem-sucedida de modelos de ML na produção.
O MLOps ajuda as organizações automatizando tarefas rotineiras, melhorando a disponibilidade e a confiabilidade do sistema e validando continuamente o desempenho dos modelos em produção. A implementação de MLOps também permite que os cientistas de dados se concentrem no que fazem de melhor, que é construir modelos melhores, já que o processo MLOps cuida da manutenção e do monitoramento desses modelos.
Em resumo, MLOps é a combinação das melhores práticas de DevOps e ML que permite aos cientistas de dados colocar rapidamente modelos de ML em produção, monitorando-os e melhorando-os continuamente. O MLOps ajuda a trazer o melhor dos dois mundos – ML e DevOps – para um processo unificado e automatizado que reduz significativamente o tempo de lançamento no mercado de modelos de ML.
