مدلهای یادگیری ماشین از یک جهت حیاتی با نرمافزار سنتی متفاوتند: دقتشان به دادههای واقعی وابسته است که پس از استقرار همچنان تغییر میکنند. رفتار مشتری تغییر میکند، منابع داده بالادستی بدون اطلاع طرحواره را تغییر میدهند، و دنیایی که مدل روی آن آموزش دیده بهتدریج از دنیایی که اکنون در آن کار میکند فاصله میگیرد—پدیدهای که انحراف نام دارد.
مدلها را سامانههای زنده در نظر بگیرید
عملکرد بالغ MLOps کیفیت پیشبینی را پیوسته پایش میکند، نه فقط زمان کارکرد زیرساخت، و نتایج زنده را با حقیقت زمینی هرگاه در دسترس باشد مقایسه میکند و وقتی عملکرد فراتر از آستانهٔ توافقشده تنزل کند هشدار میدهد. خطلولههای بازآموزی باید خودکار و با نسخهبندی همانند کد برنامه دقیق باشند.
خطلولههای ویژگی باید همان مهندسی قابلیتاطمینان مدل را داشته باشند، چون یک منبع داده بالادستی خراب، پیشبینیها را بیصدا تنزل میدهد مدتها پیش از آنکه کسی متوجه شود مدل هنوز از نظر فنی در حال اجراست.
گروه انفورماتیک جوان به سازمانها کمک میکند هوش مصنوعی را با شیوههای MLOps عملیاتی کنند که تنزل را زود میگیرد.