# Apresentação **Machine Learning Operations (MLOps)** é uma prática interdisciplinar que visa unificar o desenvolvimento de Machine Learning (ML) e as operações de TI (Tecnologia da Informação), com o objetivo de automatizar e aprimorar o ciclo de vida de produção de sistemas de ML. Inspirado no DevOps, que traz agilidade, automação e colaboração entre desenvolvimento de software e operações de TI, o MLOps foca especificamente nos desafios e necessidades únicas do desenvolvimento e implantação de modelos de ML. MLOps é fundamental para organizações que desejam implementar soluções de ML em escala, oferecendo um framework para gerenciar o ciclo de vida de modelos de ML de forma eficiente, responsável e sustentável. > [!NOTE] MLOps > Similar ao DevOps, mas focado em Machine Learning, o MLOps visa a criação de um ciclo de vida de desenvolvimento e implantação de modelos de ML mais eficiente e escalável, facilitando a colaboração entre equipes de dados, desenvolvedores e operações. # Principais Objetivos do MLOps - **Agilizar o Ciclo de Vida do ML**: Automatizar o processo de desenvolvimento, teste, implantação e monitoramento de modelos de ML para acelerar a entrega e garantir a consistência. - **Melhorar a Colaboração**: Facilitar a colaboração entre cientistas de dados, engenheiros de ML, engenheiros de software e profissionais de operações para promover um entendimento compartilhado e responsabilidades. - **Garantir a Qualidade e a Confiabilidade**: Implementar práticas de qualidade, como teste contínuo e monitoramento de modelos, para garantir que os sistemas de ML sejam confiáveis, seguros e performáticos. - **Facilitar a Governança e a Conformidade**: Gerenciar o ciclo de vida dos dados e modelos de forma a atender requisitos de governança, ética e regulamentações legais. # Componentes Chave do MLOps - **Integração Contínua (CI)**: Automatiza a integração de código novo e alterado em um repositório compartilhado, facilitando testes automáticos e revisões frequentes de código para promover a qualidade do software. - **Entrega Contínua (CD)**: Automatiza a entrega de aplicações a ambientes de teste ou produção, permitindo a implantação rápida de modelos de ML. - **Monitoramento e Operações**: Inclui o monitoramento contínuo da performance dos modelos em produção e a operacionalização de modelos de ML, assegurando que eles permaneçam eficazes e precisos ao longo do tempo. - **Gerenciamento de Dados e Modelos**: Envolve o versionamento, armazenamento e rastreamento de datasets, experimentos e modelos de ML, além de facilitar a reprodução de resultados e a auditoria. # Benefícios do MLOps - **Eficiência Operacional**: Redução do tempo de ciclo de desenvolvimento a produção, permitindo que as organizações inovem mais rapidamente. - **Qualidade e Confiabilidade**: Menor taxa de erro e maior consistência na entrega de modelos de ML devido à automação de testes e implantações. - **Reprodutibilidade**: Facilidade em reproduzir experimentos e modelos, o que é essencial para a validação científica e a conformidade regulatória. - **Escalabilidade**: Capacidade de gerenciar e escalar modelos de ML de forma eficiente à medida que as necessidades do projeto crescem. # Referências Importantes Machine Learning Model Operationalization Management (MLOps) INNOQ [Link](https://ml-ops.org/) CRISP-ML(Q). The ML Lifecycle Process. Cross-Industry Standard Process for the development of Machine Learning applications with Quality Assurance Methodology. INNOQ [Link](https://ml-ops.org/content/crisp-ml) Big Book of MLOps Updated for Generative AI Joseph Bradley Niall Turbitt Michael Shtelma Rafi Kurlansik Matthew Thomson Databricks [Link](https://www.databricks.com/blog/big-book-mlops-updated-generative-ai) --- MLOps Landscape in 2024: Top Tools and Platforms Stephen Oladele neptune.ai [Link](https://neptune.ai/blog/mlops-tools-platforms-landscape) Building a Machine Learning Platform [Definitive Guide] Stephen Oladele neptune.ai [Link](https://neptune.ai/blog/ml-platform-guide) MLOps: What It Is, Why It Matters, and How to Implement It Prince Canuma neptune.ai [Link](https://neptune.ai/blog/mlops) # Referências Bibliográficas Machine Learning Design Patterns Solutions to Common Challenges in Data Preparation, Model Building and MLOps Valliappa Lakshmanan Sara Robinson Michael Munn O'Reilly Media, Inc. 2020 # Trilha [[Inteligência Artificial]] [[Aprendizado de Máquina]] [[DevOps]]