Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
Kesimpulan
Sebagai transisi pembelajaran mesin dari disiplin penelitian ke bidang terapan, kami telah melihat pertumbuhan tahunan sebesar 25 persen dalam pengembangan, penyebaran, dan operasi pipa ML di berbagai industri. Nilai bisnis dari ML diwujudkan melalui day-to-day operasi dan jaringan pipa, yang, pada gilirannya, mendorong penelitian dan pengembangan model dan algoritma ML. Meskipun demikian, penerapan ML dalam produksi menghadirkan banyak tantangan, karena menjalin aktivitas dan artefak yang berbeda secara signifikan, seperti manajemen data, pemrosesan, analisis, pemodelan, verifikasi, dan keamanan. Melalui berbagai keterlibatan AI/ML dengan AWS pelanggan, tim Ilmu Data kami telah mengamati bahwa tantangan utama adalah kurangnya end-to-end alur kerja yang akan menyediakan serangkaian templat untuk menggabungkan atau memisahkan aktivitas dan artefak yang berbeda secara optimal. DevOps Dalam panduan ini, kami mempresentasikan alur kerja ML Max
