机器学习运维MLOps实践、挑战及未解决的问题

文章预览

随着机器学习（ML）驱动的软件应用程序的趋势不断增加，ML操作（MLOps）的范式引起了研究人员和从业者的极大关注。MLOps涵盖了使ML模型操作化的资源和监控需求的实践和技术。软件开发从业者需要详细且易于理解的MLOps工作流程、实践、挑战和解决方案的知识，以有效地支持MLOps的采用。 尽管有关MLOps的学术和行业文献迅速增长，但系统性综述和分析大量现有MLOps文献的尝试相对较少，导致获取和理解这些知识的难度较大。我们对150篇相关学术研究和48篇灰色文献进行了多声道文献综述（MLR），以提供关于MLOps的全面知识体系 。通过这次MLR，我们识别了新兴的MLOps实践、采用挑战和与各个领域相关的解决方案，包括复杂管道的开发和操作、大规模生产管理、工件管理以及确保质量、安全性、治理和伦理方面。我们还报告了MLOps在整个生命周期中涉及 ………………………………