MLOps adalah singkatan dari Machine Learning Operations. MLOps merupakan interseksi antara orang, proses, dan platform untuk mendapatkan nilai bisnis dari pembelajaran mesin. Hal ini mempermudah pengembangan dan penyebaran melalui pemantauan, validasi, dan tata kelola model pembelajaran mesin. MLOps adalah fungsi inti dari rekayasa Machine Learning, yang berfokus pada menyederhanakan proses mengambil model Machine Learning ke produksi, dan kemudian memelihara dan memantau mereka. MLOps adalah paradigma yang bertujuan untuk mendeploy dan memelihara model Machine Learning secara andal dan efisien di produksi. MLOps atau ML Ops adalah paradigma yang bertujuan untuk mendeploy dan memelihara model Machine Learning secara andal dan efisien di produksi. Kata tersebut adalah gabungan dari “machine learning” dan praktik pengembangan berkelanjutan DevOps di bidang perangkat lunak.
Model Machine Learning diuji dan dikembangkan dalam sistem eksperimental yang terisolasi. Ketika algoritma siap diluncurkan, MLOps dipraktikkan antara Data Scientist, DevOps, dan insinyur Machine Learning untuk mentransisi algoritma ke sistem produksi. Sama seperti pendekatan DevOps atau DataOps, MLOps berupaya meningkatkan otomatisasi dan meningkatkan kualitas model produksi, sambil juga berfokus pada persyaratan bisnis dan regulasi. MLOps berlaku untuk seluruh siklus hidup – mulai dari integrasi dengan generasi model (siklus pengembangan perangkat lunak, integrasi berkelanjutan / pengiriman berkelanjutan), orkestrasi, dan deployment, hingga kesehatan, diagnosis, tata kelola, dan metrik bisnis.
Menurut Gartner, MLOps adalah subset dari ModelOps. MLOps berfokus pada operasionalisasi model ML, sedangkan ModelOps mencakup operasionalisasi semua jenis model AI. MLOps adalah paradigma, termasuk aspek seperti praktik terbaik, kumpulan konsep, serta budaya pengembangan ketika datang ke konseptualisasi, implementasi, pemantauan, deployment, dan skalabilitas produk Machine Learning. Terutama, ini adalah praktik rekayasa yang memanfaatkan tiga disiplin kontribusi: machine learning, rekayasa perangkat lunak (terutama DevOps), dan rekayasa data. MLOps bertujuan untuk memproduksi sistem Machine Learning dengan menjembatani kesenjangan antara pengembangan (Dev) dan operasi (Ops). Pada dasarnya, MLOps bertujuan untuk memfasilitasi penciptaan produk Machine Learning dengan memanfaatkan prinsip-prinsip ini: otomatisasi CI/CD, orkestrasi alur kerja, reproduktibilitas; versi data, model, dan kode; kolaborasi; pelatihan dan evaluasi ML berkelanjutan; pelacakan dan logging metadata ML; pemantauan berkelanjutan; dan loop umpan balik.
Referensi:
