每当我想要学习一个新主题时，我都会制定某种形式的学习计划。那里的内容如此之多，以至于在现代时代进行学习可能很困难。
这几乎是滑稽的。我们有如此多的途径获取知识，以至于我们中的许多人都在努力学习，因为我们不知道该去哪里。
这就是为什么我整理路线图和学习计划的原因。
以下是我将在接下来的几个月中进行的 MLOps 学习计划。
重点是首先快速复习 ML 以及高级 Kubernetes 课程。
从那时起，我将重点关注 Kubeflow、Azure ML 和 DataRobot。
MLOps 的背景
2014 年，谷歌的一组研究人员发表了一篇论文，题为 机器学习：技术债务的高息信用卡。 本文指出了许多公司可能忽视的一个日益严重的问题。
使用技术债务框架，我们注意到，在应用机器学习时，很容易在系统级别产生大量持续维护成本。 [D.斯卡利、加里·霍尔特等]
研究人员在后续演示中表达这一点的另一种方式是，发射火箭很容易，但随后的持续操作却很困难。当时，DevOps 的概念仍然很盛行，但这些工程师和研究人员意识到部署机器学习模型与部署代码相比要复杂得多。
这是机器学习平台开始流行的时候。最终，许多平台采用 MLOps 一词来解释他们提供的服务。
这就引出了一个问题。什么是 MLOps？
什么是 MLOps？
机器学习运营（MLOps）有助于简化运营团队和机器学习研究人员之间机器学习模型的管理、后勤和部署。
从天真的角度来看，这只是 DevOps 应用于机器学习领域。
