機器學習 作業成熟度模型

此成熟度模型的目的是協助釐清 機器學習 作業（MLOps） 原則和做法。 成熟度模型會顯示生產層級機器學習應用程式環境的建立和作業持續改善。 您可以使用它作為計量，以建立測量機器學習生產環境及其相關程式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。 使用它作為下列指南：

• 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：

下列數據表會識別該程式成熟度層級的詳細特性。 模型將繼續發展。 此版本上次於 2020 年 1 月更新。

層級 0：無 MLOps

層級 1：DevOps 無 MLOps

層級 2：自動化訓練

層級 3：自動化模型部署

層級 4：完整 MLOps 自動化重新定型

下一步

• 學習路徑：機器學習作業簡介 （MLOps）
• 訓練課程模組：使用 MLOps 啟動機器學習生命週期
• MLOps：使用 Azure 機器學習 進行模型管理、部署和監視
• 什麼是 Azure Machine Learning 管線？

相關資源

• 使用 Azure 機器學習 將機器學習作業 （MLOps） 架構升級為機器學習生命週期
• 使用 Azure Databricks 協調 MLOps
• 使用 Azure 網路安全性保護 MLOps 解決方案
• 使用 Azure 機器學習 的適用於 Python 模型的 MLOps