MLOps — ML Operations — применение принципов DevOps к машинному обучению. Проблема: модель, хорошо работающая в ноутбуке data scientist'а, ведёт себя иначе в production. «Deployment gap» — главная проблема этой области. 87% ML-проектов не доходят до production.
MLOps стек: версионирование данных (DVC), отслеживание экспериментов (MLflow, Weights & Biases), реестр моделей, CI/CD-пайплайн (GitHub Actions), развёртывание модели (FastAPI, TorchServe, BentoML), мониторинг (дрейф данных, деградация производительности модели). Feature store управляет признаками в реальном времени и пакетном режиме. A/B-тестирование в production позволяет сравнить новую модель со старой.
Наши курсы по этой теме