手动步骤业务问题。在此阶段，通过彻底分析情况，您可以探索可以解决已识别问题的不同 MLOps 解决方案。
手动步骤在这个过程中，每个步骤都是手动的，包括分析数据、准备数据、训练模型和检查结果。这个过程通常由数据科学家编写和运行的实验代码驱动，直到他们得到一个可行的模型。
MLOps获得结果后，将考虑基础设施、生产环境和相关要求，为 MLOps 解决方案开发高级架构。此外，还可以调整 ML 模型以满足这些要求，同时考虑 MLOps组件的部署条件。
自动化/MLOps
在MLOps中，第二步是实现管道自动化，将其部署到生产中，并考虑是否支持模型的自动再训练。
此步骤的目标是通过自动化 ML 管道来执行模型的持续训练。这让您可以持续交付模型预测服务。
为了使流程自动化，您需要使用新数据在生产中重新训练模型，并将自动化数据和模型验证步骤引入管道、元数据管理和管道触发器。
手动步骤图片来源
上图是自动化 ML 管道的示意图。
持续集成和部署有助于将 ML 模型顺利投 记者电子邮件列表 入生产，并且可以包括 A/B 和影子测试等测试。
模型应用
在模型应用阶段，ML软件部署在边缘设备上。架构细节影响硬件资源和所使用的ML组件。
可以在生产中监控此 ML 模型的性能和数据漂移。还可以根据监控信息触发自动模型调整。如果重新训练没有产生积极效果，则需要从头开始重新考虑模型。
尽管每个步骤都是另一个步骤的迭代，但每个阶段都有自己的挑战。以下是一些常见的挑战。MLOps 优势和主要功能
常见的 MLOps 挑战
处理数据管理、确保质量、监控问题、部署模型以及缺乏数据版本控制只是公司在 MLOps 中经常遇到的一些障碍。在这种情况下，MLOps 管道面临一些挑战，需要快速有效的解决方案。让我们探讨这些常见挑战以及企业经常遇到的相应解决方案。
数据管理
由于数据结构、格式和来源的差异，管理数据和集成来自不同来源的数据可能很复杂。这可能导致数据不一致，从而导致信息冗余、数据集不完整甚至错误。最终，这种数据不一致会影响整体 ML 输出质量。
解决方案：
以下解决方案可以帮助您处理此数据集成和一致性问题！
实现统一的数据管道
强大的数据集成平台和工具，例如基于云的 ETL 和 Apache Kafka，可以有效地处理具有不同结构和格式的数据，从而让人们对其无缝整合来自不同系统的数据的能力充满信心。
自动化数据集成
您还可以使用自动化集成工具来减少人工错误并确保实时数据同步。
使用标准化数据格式
通过创建和使用数据标准和模式，您可以确保所有数据源的数据一致性，为您的数据管理提供安全的基础。
缺乏数据版本控制
即使数据目前正在使用中，且不存在格式问题或中断，数据的演变和再生特性也可能导致意外问题。这种演变可能会导致同一模型产生不同的结果，更新的形式和结构也各不相同。
如果没有适当的数据版本控制，您的 ML 性能记录可能不一致，从而可能导致 ML 操作出现问题。
解决方案：
修改预定义数据转储可能是优化空间的好策略。但是，它不会提供预期的结果。一种解决方案是创建新的数据版本以获得最佳性能。
就空间优化而言，您可以保存给定版本的元数据，以便可以随时从更新的数据中检索它，除非值被修改。
数据质量和准确性
数据是可靠的机器学习模型的基础，因此它需要准确且具有所需的质量。
数据质量差会导致错误的见解和预测。这最终会导致数据质量不足和不准确。