ML Ops：数据质量是关键选自GreatExpectationsBlog作者：Great

选自Great Expectations Blog
作者：Great Expectations
机器之心编译
编辑：陈萍
ML Ops 是 AI 领域中一个相对较新的概念，可解释为「机器学习操作」。如何更好地管理数据科学家和操作人员，以便有效地开发、部署和监视模型？其中数据质量至关重要。
文章插图
本文将介绍 ML Ops ，并强调数据质量在 ML Ops 工作流中的关键作用。
ML Ops 的发展弥补了机器学习与传统软件工程之间的差距，而数据质量是 ML Ops 工作流的关键，可以加速数据团队，并维护对数据的信任。
什么是 ML Ops
ML Ops 这个术语从 DevOps 演变而来。
DevOps 是一组过程、方法与系统的统称，用于促进开发（应用程序 / 软件工程）、技术运营和质量保障（QA）部门之间的沟通、协作与整合。 DevOps 旨在重视软件开发人员（Dev）和 IT 运维技术人员（Ops）之间沟通合作的文化、运动或惯例。透过自动化软件交付和架构变更的流程，来使得构建、测试、发布软件能够更加地快捷、频繁和可靠。
而 MLOps 基于可提高工作流效率的 DevOps 原理和做法，例如持续集成、持续交付和持续部署。 ML Ops 将这些原理应用到机器学习过程，其目标是：
更快地试验和开发模型
更快地将模型部署到生产环境
质量保证
DevOps 的常用示例是使用多种工具对代码进行版本控制，如 git、代码审查、持续集成（CI ，即频繁地将代码合并到共享主线中）、自动测试和持续部署（CD ，即自动将代码合并到生产环境）。
在应用于机器学习时， ML Ops 旨在确保模型输出质量的同时，加快机器学习模型的开发和生产部署。但是，与软件开发不同， ML 需要处理代码和数据：
机器学习始于数据，而数据来源不同，需要用代码对不同来源数据进行清洗、转换和存储。
然后，将处理好的数据提供给数据科学家，数据科学家进行代码编写，完成特征工程、开发、训练和测试机器学习模型，最终将这些模型部署到生产环境中。
在生产中， ML 模型是以代码的形式存在的，输入数据同样可以从各种来源获取，并创建用于输入产品和业务流程的输出数据。
文章插图
虽然上文的描述对该过程进行了简化，但是仍然可以看出代码和数据在 ML 环境中是紧密耦合的，而 ML Ops 需要兼顾两者。
具体来说，这意味着 ML Ops 包含以下任务：
对用于数据转换和模型定义的代码进行版本控制；
在投入生产之前，对所获取的数据和模型代码进行自动测试；
在稳定且可扩展的环境中将模型部署到生产中；
监控模型性能和输出。
数据测试和文档记录如何适配 ML Ops？
ML Ops 旨在加速机器学习模型的开发和生产部署，同时确保模型输出的质量。当然，对于数据质量人员来说，要实现 ML 工作流中各个阶段的加速和质量，数据测试和文档记录是非常重要的：
在利益相关者方面，质量差的数据会影响他们对系统的信任，从而对基于该系统做出决策产生负面影响。甚至更糟的是，未引起注意的数据质量问题可能导致错误的结论，并纠正这些问题又会浪费很多时间。
在工程方面，急于修复下游消费者注意到的数据质量问题，是消耗团队时间并缓慢侵蚀团队生产力和士气的头号问题之一。
此外，数据文档记录对于所有利益相关者进行数据交流、建立数据合同至关重要。
下文将从非常抽象的角度介绍 ML pipeline 中的各个阶段，并讨论数据测试和文档记录如何适应每个阶段。
数据获取阶段