Как компании строят MLOps без собственной ML-платформы: workflow-фреймворки

Вот важная новость с фронта ИИ: Меня зовут Катерина Цаплина, я AI Architect и программный эксперт курса «MLOps для разработки и мониторинга моделей». Работаю на стыке ML, инфраструктуры и корпоративной архитектуры в крупной промышленной компании и на практике вижу, насколько непросто выстраивать такие процессы в реальной организации.

Это третья статья цикла о том, как компании реализуют MLOps. В предыдущих частях мы разобрали три архитектурных подхода и рассмотрели Uber Michelangelo — одну из самых известных внутренних ML-платформ.

Технические детали

После знакомства с такой системой может возникнуть логичный вопрос: а обязательно ли строить собственную платформу? На практике далеко не всегда.

Для многих организаций более рациональным выбором становятся workflow-фреймворки для организации ML-разработки или managed-платформы облачных провайдеров. В этой статье разберём первый подход на примере Netflix Metaflow, а managed-платформы рассмотрим в следующей части.

Событие, по словам экспертов, усилит конкуренцию в сфере ИИ.