DevOps 专注于改善传统软件开发中的协作与自动化，而 MLOps 则将这些原则扩展到机器学习工作流中，在这里，数据、模型和持续学习发挥着关键作用。
- DevOps 旨在通过自动化、CI/CD 流水线和基础设施管理，将开发和运维整合起来，从而实现更快速、更可靠的软件交付。
- MLOps 则通过管理模型训练、验证、部署、监控和重新训练，将 DevOps 的实践应用到机器学习系统中。
!devopsMLOps vs DevOps
MLOps 旨在简化整个机器学习生命周期，从模型开发和训练到部署和监控。它通过自动化和标准化弥合了数据科学与生产环境之间的鸿沟，从而实现可靠、可扩展且可维护的 ML 解决方案。MLOps 的主要目标包括：
- ML 生命周期自动化：减少训练、测试、部署和监控流水线中的人工干预。
- 可复现性与一致性：确保实验、数据和结果能够被可靠地复现。
- 团队协作：改善数据科学家、ML 工程师和运维团队之间的协调。
- 可扩展性：高效处理日益增长的数据规模和生产级工作负载。
- ML 特定的风险管理：检测并处理数据漂移、模型退化以及重新训练的需求。
MLOps 生态系统中的工具
行业标准的工具支持 MLOps 流水线的不同阶段：
- 实验追踪：MLflow, Weights & Biases
- 数据版本控制：DVC
- 流水线编排：Apache Airflow, Kubeflow, Dagster
- 模型部署：TensorFlow Serving, Seldon Core, Amazon SageMaker
- 监控工具：Prometheus, Grafana, WhyLabs
- 基础设施：Docker, Kubernetes, Terraform
DevOps 结合了开发和运维来简化软件开发生命周期。通过整合设计、生产、测试和部署，DevOps 旨在缩短交付周期，改善协作，并自动化重复性任务，以实现更可靠、更快速的软件发布。DevOps 的主要目标包括：
- 更快的开发周期：在保持稳定性的同时加速新功能的交付。
- CI/CD 实施：自动化集成、测试和部署，以确保可靠的发布。
- 改善协作：促进开发和运维团队之间的沟通。
- 运营效率：减少人工操作，最大限度减少错误并提高生产力。
DevOps 生态系统中的工具
- CI/CD 工具：Jenkins, GitLab CI/CD, CircleCI
- IaC（基础设施即代码）工具：Terraform, Ansible, Chef, Puppet
- 容器化与编排：Docker, Kubernetes
- 监控与日志工具：Prometheus, Grafana, Datadog, Nagios
MLOps 与 DevOps 的区别
MLOps 和 DevOps 都致力于简化工作流、增强协作并提高效率。现在让我们从多个维度对比一下 MLOps 和 DevOps。
DevOps
—
专注于软件开发的持续集成、测试和交付
CI/CD 流水线以代码为中心，数据并非运营的核心
源代码、二进制文件和配置文件
构建、测试、部署和监控软件应用程序
使用 Jenkins, GitLab CI/CD, Terraform 等 CI/CD 工具进行代码集成和部署
开发人员与运维团队之间的协作，角色定义明确
跟踪软件性能、系统健康状况和应用程序可靠性
通过 IaC 和 CI/CD 自动化基础设施，确保可重复的部署