Undersök utmaningarna och möjligheterna med MLOps

MLOps is becoming a widespread practice in modern machine learning and data science. The word ”MLOps” combines machine learning technology and business operation process. Many business companies are applying machine learning techniques to improve their business targets and increase their profits. However, machine learning tasks involve complex applications and many technical stakeholders to perform a single system. It is not easy for non-technical operation staff to understand and proceed with the data science and machine learning processes without the aid of technical stakeholders. The communication effort between different stakeholders costs highly since the entire machine learning and operation processes are redundant and complicated. Therefore, MLOps provides insight for businesses to simplify the system workflow. MLOps pipeline automation simplified the processes in data, model, and production perspectives. This project researches several kinds of literature to identify the process of MLOps, including the phases and processes of MLOps, the necessary components for pipeline automation, and the concept of continuous integration and continuous delivery with the aid of MLOps. Also, two methods were selected to introduce a general MLOps pipeline design and implementation and the software tools and technologies selected in each MLOps process. Finally, a comparison section was provided to evaluate different software tools and technologies in five standard criteria. MLOps är på väg att bli en utbredd praxis inom modern maskininlärning och datavetenskap. Ordet ”MLOps” kombinerar maskininlärningsteknik (machine learning technology) och affärsprocess (business operation process). Många företag tillämpar maskininlärningstekniker för att förbättra sina affärsmål och öka sin vinst. Maskininlärningsuppgifter involverar dock komplexa applikationer och många tekniska intressenter. Det är inte lätt för icke-teknisk driftpersonal att förstå och gå vidare med datavetenskaps- och maskininlärningsprocesser utan hjälp av tekniska intressenter. Kommunikationsarbetet mellan olika intressenter är dyrt eftersom maskininlärnings- och driftprocesserna är repetitiva och komplicerade. MLOps förser företag med insikter som förenklar systemets arbetsflöde. Pipelineautomation med MLOps har förenklat processerna ur data-, modell- och produktionsperspektiv. Detta projekt undersöker flera typer av litteratur för att identifiera processen som MLOps tillämpar, inklusive faserna och processerna för MLOps, de nödvändiga komponenterna för pipeline automation samt konceptet kontinuerlig integration och kontinuerlig leverans med hjälp av MLOps. Dessutom valdes två metoder ut för att introducera en allmän MLOps-pipelinedesign och - implementation samt de mjukvaruverktyg och teknologier som valdes i varje MLOps-process. Slutligen tillhandahölls ett jämförelseavsnitt för att utvärdera olika mjukvaruverktyg och teknologier utifrån fem standardkriterier.