1950–2005 гг.
Модели как исследовательские артефакты
Машинное обучение в основном использовалось в исследованиях, специализированных продуктах и статистике. Операционные проблемы существовали, но обычно не были отдельной карьерой.
MLOps — это новое название старой операционной проблемы: модель, которая работает в контролируемом эксперименте, может потерпеть неудачу, когда она соответствует меняющимся данным, реальным пользователям и производственному бюджету. Эта профессия сочетает в себе исследовательскую культуру машинного обучения с дисциплиной доставки и эксплуатации программного обеспечения.
Таким образом, его история связана с разработкой данных, облачными вычислениями и DevOps. Эта роль стала отчетливой в конце 2010-х годов, когда организации перешли от изолированных моделей к паркам моделей, данными, поведением и соответствием которых необходимо было постоянно управлять.
Where it began
2015–2019Глобальная индустрия облачных вычислений
Фраза MLOps распространилась по мере того, как облачные платформы и команды машинного обучения столкнулись с расходами на техническое обслуживание производства. В статье исследователей Google «Скрытый технический долг в системах машинного обучения» в 2015 году был дан широко цитируемый словарь зависимостей, циклов обратной связи и операционной сложности, которые превращают модель в долгоживущую систему.
Timeline
1959Артур Сэмюэл дает определение машинному обучению
Сэмюэл описывает машинное обучение в работе над самосовершенствующейся программой для шашек, помогая дать название этой области, позже запущенной в производство.
1998PageRank Google выделяет системы, управляемые данными
Рейтинг в веб-масштабе показывает, как модели и инфраструктура данных могут стать центральной инфраструктурой продукта.
2006Облачные вычисления становятся мейнстримом
Amazon Web Services делает эластичные вычисления и хранилище доступными в виде операционных сервисов, а не собственного оборудования.
2012Прорыв ImageNet ускоряет глубокое обучение
Успех AlexNet в ImageNet делает обучение на базе графического процессора центральным элементом многих программ машинного обучения.
2015Назван скрытый технический долг
Исследователи Google объясняют, почему системы машинного обучения накапливают зависимости и бремя обслуживания, выходящее за рамки их модельного кода.
2016Kubeflow и эра оркестрации контейнеров
Внедрение Kubernetes создает общий операционный уровень для упаковки и выполнения распределенных рабочих нагрузок.
2017Анонсирован TensorFlow Extended
Google представляет TFX как производственно-ориентированную платформу для сквозных конвейеров машинного обучения.
2019MLOps становится распространенным отраслевым термином
Поставщики облачных технологий и стартапы формализуют инструменты для отслеживания экспериментов, конвейеров, реестров моделей и развертывания.
2020Стандарты жизненного цикла машинного обучения уже разработаны
Команды все чаще рассматривают проверку данных, управление функциями и мониторинг моделей как производственные требования.
2023–2024Генеративный ИИ расширяет рабочую поверхность
Базовые модели создают новые потребности в оценке, поиске, контроле затрат, оперативном управлении и управлении ИИ.
The eras
2006–2014
Облака и фонды больших данных
Эластичная инфраструктура, распределенная обработка и платформы с открытым исходным кодом сделали возможным более масштабное обучение и обслуживание моделей.
2015–2018
Технический долг становится видимым
Производственные группы осознали, что зависимости данных, мониторинг и переобучение могут стоить дороже, чем исходная модель.
2019–2022
Платформы и инструменты жизненного цикла
Отслеживание экспериментов, реестры моделей, хранилища функций и шаблоны CI/CD стали узнаваемыми строительными блоками MLOps.
2023 – настоящее время
Модели фонда и управление
Приложения LLM расширяют работу до оценки, поиска, контроля доступа, наблюдения и ответственного развертывания.
What this job replaced
Neighbouring trades that no longer exist — absorbed, automated or regulated away.
Передача модели вручную
2000–2010-е годыИсследователь отправлял по электронной почте серийную модель и инструкции команде разработчиков. Реестры, артефакты с версионированием и конвейеры развертывания заменили неформальную передачу.
Трекер экспериментов с электронными таблицами
2010-е годыКоманды записывали прогоны, параметры и показатели в локальные файлы или электронные таблицы. Системы отслеживания экспериментов теперь централизованно сохраняют артефакты, версии кода и сравнения.
Разовый пакетный скоринговый оператор
2000–2010-е годыОперативный персонал периодически запускал сценарии для составления прогнозов. Запланированные рабочие процессы, управляемые платформы и автоматизированные проверки качества поглотили повторяющееся выполнение.
MLOps возникли потому, что срок полезного использования модели начинается после обучения. Эта дисциплина берет на себя операционные вопросы, которые прототипы могут отложить — управление версиями, сбои, стоимость, предвзятость и откат — и превращает их в первоклассную инженерную работу.
Следующий этап будет зависеть не столько от того, смогут ли организации использовать модель, сколько от того, смогут ли они доказать, что она остается полезной, безопасной и контролируемой после запуска.
Similar professions
🔐
Специалист по кибербезопасности
Защищает системы, данные и людей, обнаруживая, предотвращая и реагируя на цифровые атаки.
AI-resistant 63 🧫Специалист по клиническим данным
Использует данные клинических исследований, исследований и системы здравоохранения для получения надежных данных для более безопасного ухода, исследований и операционных решений.
AI-resistant 68 🔌Инженер-полупроводник
Разрабатывает и производит транзисторы внутри каждого компьютера, телефона и оружия, используя настолько точные станки, что их могут эксплуатировать лишь несколько заводов на Земле.
AI-resistant 60 🦾Инженер-робототехника
Разрабатывает машины, которые чувствуют, принимают решения и действуют в физическом мире, где сложной проблемой является не интеллект, а сам мир.
AI-resistant 65 🌿Менеджер по устойчивому развитию
Руководит стратегией, измерениями и отчетностью, которые помогают организациям снизить экологический и социальный ущерб при выполнении деловых обязательств.
AI-resistant 66 👔Адвокат
Консультирует клиентов, составляет документы, обязывающие их, и аргументирует их дело, когда оно доходит до суда, неся личную юридическую ответственность, если совет окажется неверным.
AI-resistant 58Continue exploring
Keep exploring
More in Engineering & Technology
💻
Инженер-программист
Пишет, тестирует и поддерживает код, который управляет современной жизнью, и является одной из первых профессий, наблюдающих, как ИИ автоматизирует свою повседневную работу.
AI-resistant 35 🤖Исследователь искусственного интеллекта
Разрабатывает и тестирует алгоритмы, лежащие в основе машинного интеллекта, в области, которая сейчас стремится автоматизировать растущую долю собственного исследовательского процесса.
AI-resistant 50 🛰️Аэрокосмический инженер
Проектирует, анализирует и сертифицирует летательные аппараты, ракеты и космические корабли, отрывающиеся от земли, работая с запасом безопасности, не оставляющим места для догадок.
AI-resistant 74 🌉Инженер-строитель
Профессия, превращающая реки, скалы и гравитацию в мосты, дороги и чистую воду — тихая несущая сила цивилизации со времен Имхотепа.
AI-resistant 72 🔌Инженер-полупроводник
Разрабатывает и производит транзисторы внутри каждого компьютера, телефона и оружия, используя настолько точные станки, что их могут эксплуатировать лишь несколько заводов на Земле.
AI-resistant 60 🦾Инженер-робототехника
Разрабатывает машины, которые чувствуют, принимают решения и действуют в физическом мире, где сложной проблемой является не интеллект, а сам мир.
AI-resistant 65 🔐Специалист по кибербезопасности
Защищает системы, данные и людей, обнаруживая, предотвращая и реагируя на цифровые атаки.
AI-resistant 63 🌬️Инженер по возобновляемым источникам энергии
Проектирует, строит и совершенствует ветровые, солнечные, накопительные и сетевые системы, которые превращают возобновляемые ресурсы в надежную электроэнергию.
AI-resistant 72