基于 MLOps 的机器学习模型自动化部署中的持续集成与持续交付
软件工程
2022-02-09 v1 机器学习
摘要
近年来，机器学习中的模型部署已成为一个引人关注的研究领域。它类似于传统软件开发中所定义的流程。持续集成与持续交付（CI/CD）已被证明在与开发运维（DevOps）结合使用时，能够平滑推进软件研发并加速业务。然而，在包含机器学习运维（MLOps）组件的应用中使用 CI/CD 流水线存在诸多难题，该领域的先行者通过使用通常由云提供商提供的专用工具来解决这些问题。本研究更深入地审视机器学习生命周期以及 DevOps 与 MLOps 之间的关键区别。在 MLOps 方法中，我们讨论了用于执行机器学习框架 CI/CD 流水线的工具与方法。随后，我们深入考察 Github 运维（GitOps）中基于推送与基于拉取的部署方式。我们还识别并补充了开放探索问题，或可指引未来研究。
引用
@article{arxiv.2202.03541,
title = {On Continuous Integration / Continuous Delivery for Automated Deployment of Machine Learning Models using MLOps},
author = {Satvik Garg and Pradyumn Pundir and Geetanjali Rathee and P. K. Gupta and Somya Garg and Saransh Ahlawat},
journal= {arXiv preprint arXiv:2202.03541},
year = {2022}
}
备注
Paper Accepted in AIKE 2021 : IEEE Artificial Intelligence & Knowledge Engineering 2021. The final version of this paper will appear in the conference proceedings