1.5 小结

本章讨论了在机器学习环境中使用DevOps原则的重要性。不仅仅是软件，机器学习增加了新的复杂性用以管理数据和模型。解决这种复杂性的方法就像软件工程社区使用DevOps拥抱自动化一样。

建书架不同于种树。书架需要初始的设计然后是一次性构建。涉及机器学习的复杂软件系统更像是种一棵树。一棵树的成功长成需要多个动态输入，包括土壤、水、风和太阳。

同样，考虑MLOps的一种方法是25%准则。在图1-13中，软件工程、数据工程、建模和业务问题同等重要。MLOps的多学科特性，使其实现比较困难。但是，有许多公司遵循此25%准则在开发MLOps工具。

图1-13：25%准则

特斯拉汽车就是一个很好的例子。它们在半自动驾驶汽车中为客户提供想要的东西。它们有优秀的软件工程实践，因为它们会不断更新。同时，汽车系统不断根据收到的新数据训练模型进行改进。遵循25%准则的另一个例子是Amazon Alexa设备。

下一章将讨论MLOps所需的基础技能。内容包括面向程序员的数学、数据科学项目示例，以及一个完整的端到端MLOps过程。通过完成本章末尾提供的练习题，你将能很好地理解这些内容。