发帖
雷达卡
在上一篇文章中，介绍了在云和边缘上实施人工智能的十种策略，我讨论了机器学习模块的端到端部署策略。
这与敏捷有何关系？
AI的部署属于常规SDLC（软件开发生命周期）的范围
因此，诸如Scrum，Sprint，积压计划，发布计划，测试驱动的开发和验收标准之类的常规敏捷技术也适用于生产中机器学习模型的部署。
但是，将DevOps与开发相结合会增加机器学习的复杂性。我们需要端到端管道以及CI / CD（连续集成/连续交付）
我们介绍了其他问题，例如对冠军/挑战者模型的需求
但是，云简化了一些复杂性。例如– MLFlow（来自databricks）已集成到Azure中。Amazon sagemaker提供了端到端工作流，用于管理将机器学习模型投入生产的过程。Azure devops为敏捷–云– DevOps甚至Edge提供了一个很好的框架。我推荐的一本好书是《使用Azure DevOps进行敏捷项目管理》
端到端视图如下
人工智能Cloud and Edge实施课程中介绍的图表来源Raj Sharma
结论：
敏捷和软件工程原理适用于机器学习
devop的添加增加了复杂性
云提供了集成方法，从而简化了部署
关注 CDA人工智能学院 ，回复“录播”获取更多人工智能精选直播视频！
京公网安备 11010802022788号
