MLOps
The practices for getting machine learning models into production and keeping them working.
MLOps applica il pensiero DevOps al ML, con problemi in più: versionamento dei dati, riproducibilità dell’addestramento, monitoraggio del drift e pipeline di ri-addestramento. L’intuizione che racchiude è che un modello dentro un notebook è più o meno il 10% del lavoro.
In pratica: Ri-addestramento automatico attivato quando l’accuratezza monitorata scende sotto una soglia.