機器學習作業成熟度模型

此成熟度模型的目的是協助厘清機器學習作業 (MLOps) 原則和做法。 成熟度模型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聯程式成熟度所需的漸進式需求。

成熟度模型

MLOps 成熟度模型有助於厘清開發作業 (DevOps) 執行成功 MLOps 環境所需的原則和做法。 其目的在於識別現有組織嘗試實作這類環境的差距。 它也是一種示範如何以遞增方式增加 MLOps 功能，而不是讓您因為完整成熟環境的需求而使它變大。 使用它作為下列指南：

• 預估新參與專案的工作範圍。

• 建立實際的成功準則。

• 識別您將在參與結束時交接的交付專案。

如同大部分的成熟度模型，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。 隨著成熟度層級增加，事件或錯誤的機率會增加，會導致開發和生產程式的品質改善。

MLOps 成熟度模型包含五種技術功能層級：

下列資料表會識別該進程成熟度層級的詳細特性。 模型將繼續演進。 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 Machine Learning 進行模型管理、部署、譜系和監視
• 什麼是 Azure Machine Learning 管線？

相關資源

• 機器學習作業 (MLOps) 架構透過使用 Azure Machine Learning 升級機器學習服務生命週期
• 用於最佳工具選擇的 Azure Machine Learning 決策指南
• 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 Machine Learning 的 Python 模型 MLOps