MLOps工具的系统性综述：工具采用、生命周期覆盖与关键见解
软件工程
2026-04-21 v1
摘要
随着越来越多的组织将机器学习模型投入生产，机器学习运维（MLOps）变得日益关键。然而，MLOps解决方案的不断增长给试图选择合适工具的从业者带来了复杂性。为探究这些工具在实践中如何以及为何被采用，本文对聚焦于MLOps工具的学术文献进行了系统性综述。我们将工具映射到MLOps生命周期组件，以揭示其功能、范围以及旨在解决的挑战。我们识别了使用趋势，并综合了报告的优势和局限性。根据研究结果，最常用的组件是编排框架、数据版本管理、实验跟踪和托管云平台。没有单一工具能覆盖整个生命周期，因此研究人员经常组合多种工具来构建完整的流水线。这突显了在实际MLOps流水线中，MLOps工具之间互操作性的重要性。
引用
@article{arxiv.2604.16371,
title = {A Systematic Review of MLOps Tools: Tool Adoption, Lifecycle Coverage, and Critical Insights},
author = {Zakkarija Micallef and Keerthiga Rajenthiram and Ilias Gerostathopoulos},
journal= {arXiv preprint arXiv:2604.16371},
year = {2026}
}
备注
6 pages, 2 figures