MLOps (Makine Öğrenimi Operasyonları), yazılım geliştirme ve operasyonları makine öğrenimi (ML) model geliştirmeyle birleştiren bir dizi uygulamadır ve hızla ML yaşam döngüsünün ayrılmaz bir parçası haline gelmektedir. MLOps, ML sistemlerinin üretime sunulmasını otomatikleştirmek ve optimize etmek, böylece bu sistemlerin hızını ve güvenilirliğini artırmak için veri bilimi ile DevOps profesyonelleri arasında bir işbirliği kültürü olarak tanımlanır. MLOps terimi ilk olarak 2017 yılında Microsoft Azure ve Google Cloud Platform ekipleri tarafından ortaya atıldı ve ML topluluğu tarafından geniş çapta benimsendi.
MLOps'un amacı, veri bilimcilerin makine öğrenimi modellerini üretime hızlı ve verimli bir şekilde dağıtmasına olanak tanıyan birleşik, otomatikleştirilmiş, işbirliğine dayalı bir süreç oluşturmaktır. MLOps, ML modellerinin üretim dağıtımından önce geçmesi gereken yineleme ve test döngülerini kolaylaştırmanın bir yolunu sağlar. Süreç, kuruluşların tüm makine öğrenimi modeli geliştirme döngüsü boyunca kontrol ve görünürlüğü sürdürmelerine yardımcı olurken aynı zamanda modellerin üretimde doğru ve güvenilir bir şekilde performans göstermesini sağlar.
MLOps süreci, DevOps'ta kullanılan ilkelerin aynısını takip eder; örneğin: Bir uygulamanın kodunda yapılan değişikliklerin rutin olarak test edilen ve entegre edilen tek bir depoda gerçekleştirilmesi süreci olan Sürekli Entegrasyon (CI); Düzenli aralıklarla kod üreten ve test eden otomatik bir süreç olan Sürekli Teslimat (CD); ve yeni oluşturulan kod modellerinin otomatik olarak üretime aktarılmasını sağlayan Sürekli Dağıtım (CD).
ML ve DevOps'un birleşimi olan MLOps, otomatikleştirilmiş bir süreçten daha fazlasıdır çünkü aynı zamanda işbirliğini, veri yönetimini, güvenliği, izlemeyi, ölçümleri ve denetimi de içerir. Bu uygulamalar, makine öğrenimi modellerinin üretime başarılı bir şekilde dağıtılması için gereklidir.
MLOps, sıradan görevleri otomatikleştirerek, sistem kullanılabilirliğini ve güvenilirliğini artırarak ve üretimdeki modellerin performansını sürekli olarak doğrulayarak kuruluşlara yardımcı olur. MLOps'un uygulanması aynı zamanda veri bilimcilerinin en iyi yaptıkları işe, yani daha iyi modeller oluşturmaya odaklanmasına da olanak tanır; çünkü MLOps süreci bu modellerin bakımı ve izlenmesiyle ilgilenir.
Özetle MLOps, DevOps ve ML'nin en iyi uygulamalarının birleşimidir ve veri bilimcilerin ML modellerini hızla üretime geçirmesine ve bunları sürekli izleyip iyileştirmesine olanak tanır. MLOps, her iki dünyanın (ML ve DevOps) en iyi yönlerinin, ML modellerinin pazara çıkış süresini önemli ölçüde azaltan birleşik, otomatik bir süreçte bir araya getirilmesine yardımcı olur.
