2006: Engenheiro MLOps no trabalho

Um engenheiro de MLOps torna os sistemas de aprendizado de máquina confiáveis ​​após o protótipo. Os cientistas de dados podem treinar um modelo em um notebook; o engenheiro de MLOps constrói pipelines reproduzíveis, armazenamentos de recursos, ambientes de implantação, monitoramento e caminhos de reversão que permitem operar com segurança para usuários reais. O trabalho fica entre ciência de dados, engenharia de software, infraestrutura em nuvem e gerenciamento de riscos.

A função surgiu quando as empresas descobriram que um bom modelo offline não é o mesmo que um produto útil. Alterações de dados, alterações de código, aumento de custos, um modelo pode degradar-se silenciosamente e uma previsão pode precisar de explicação ou revisão. Os pesquisadores do Google descreveram esse acúmulo de dependências e trabalhos de manutenção como “dívida técnica oculta” em sistemas de aprendizado de máquina em 2015; a indústria mais tarde adotou o MLOps como uma forma abreviada de operar essa dívida deliberadamente.

MLOps é bem pago porque requer amplitude e porque muitas organizações estão tentando implantar IA mais rápido do que suas práticas operacionais amadurecem. A IA generativa aumentou a procura por avaliação, observabilidade e controlos de acesso. Ele também automatiza partes do trabalho – modelos de pipeline, configuração e diagnóstico – de modo que a habilidade durável é projetar sistemas confiáveis ​​e decidir quais evidências são suficientes para confiar em um modelo.