機器學習作業成熟度模型

此成熟度模型的目的是要協助釐清機器學習作業 (MLOps) 原則和做法。 成熟度模型會顯示生產層機器學習應用程式環境的建立和作業持續改善。 您可以使用該模型做為計量，以建立測量機器學習生產環境及其相關程序成熟度所需的漸進式需求。

成熟度模型

MLOps 成熟度模型有助於釐清執行成功 MLOps 環境所需的開發作業 (DevOps) 原則和做法。 其旨在找出現有組織嘗試實作這類環境的差距。 這也是示範如何以遞增方式成長 MLOps 功能，而不是讓您不堪重負於完全成熟環境的需求。 用作下列的指南：

• 預估新參與專案的工作範圍。

• 建立現實的成功準則。

• 識別您將在參與結束時，交出交付專案。

如同大多數成熟度模型，MLOps 成熟度模型會以質化方式評估人員/文化、流程/結構和物件/技術。 隨著成熟度層級的提高，事件或錯誤的機率增加，會導致開發和生產程序品質的改善。

MLOps 成熟度模型包含五種技術功能層級：

下列資料表會識別程序成熟度層級的詳細特性。 模型將繼續演進。

層級 0：無 MLOps

層級 1：DevOps 無 MLOps

層級 2：訓練自動化

層級 3：自動化模型部署

層級 4：MLOps 完全自動化重新定型

下一步

• 學習路徑：機器學習作業 (MLOps) 簡介
• 訓練模組：使用 MLOps 開始機器學習生命週期簡介
• MLOps：使用 Azure Machine Learning 進行模型管理、部署和監視
• 什麼是 Azure Machine Learning 管線？
• MLOps 的 機器學習 登錄

相關資源

• 使用 Azure Databricks 協調 MLOps
• 使用 Azure 網路安全性保護 MLOps 解決方案
• 機器學習作業