Nasazování AI systémů se čím dál víc liší od běžného release webové aplikace. Zatímco u klasického softwaru se po úspěšných testech očekává deterministické chování, u modelů strojového učení se výstupy mohou měnit s daty a statistickými vlastnostmi prostředí. Právě proto roste důraz na MLOps: postupy, které rozšiřují DevOps o řízení dat, verzování modelů a dlouhodobý dohled nad výkonem v produkci. Jednou z největších komplikací je posun dat. Trénovací data nemusí odpovídat reálnému použití a výkon modelu může v čase klesat, aniž by se změnil kód. Do toho vstupuje verzování: je…
ČÍST DÁLE...DevOps pro AI: MLOps pipeline řeší data, modely i rizika v produkci
