MLOps (Machine Learning Operations) soveltaa DevOps-kaltaisia käytäntöjä ML:ään — hallitsee koko ML-elinkaarta (data, harjoittelu, käyttöönotto, seuranta) luotettavasti ja suuressa mittakaavassa. Se vastaa ML:n käyttöönottoon ja ylläpitoon tuotannossa liittyviin ainutlaatuisiin operatiivisiin haasteisiin.
ML-elinkaari
ML projects involve a full lifecycle (not just training a model):
1. DATA → collect, clean, label, version data (data is foundational)
2. TRAINING → develop, train, and evaluate models (experimentation, tuning)
3. DEPLOYMENT → put the model into production (serving predictions/inference)
4. MONITORING → track performance in production; detect issues
5. MAINTENANCE → retrain/update models as data and performance change
→ an ongoing cycle, not a one-time effort
