可以解决的实际业务问题。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 法律信息销售 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。