Здравствуйте, BlackEric, Вы писали:
BE>Кто-то может объяснить, чем MLOps отличается от AIOps?
BE>AIOps кажется маркетинговое понятие, тогда как MLOps — набор методов для управления и внедрения в работу ML моделей.
Забил "MLOps vs AIOps" в гугл и первая же ссылка:
AIOps is about increased efficiency in IT operations, achieved by automating incident/management diagnostics and intelligently finding the root cause through machine learning. ... MLOps, on the other hand, focuses on creating an automated pipeline for bringing machine learning models into production.
Т.е. MlOps развертывание ML решений, а AIOps использование ML в диагностике (зачем --
, логи тогда зачем?).
Здравствуйте, Sharov, Вы писали:
S>S>AIOps is about increased efficiency in IT operations, achieved by automating incident/management diagnostics and intelligently finding the root cause through machine learning. ... MLOps, on the other hand, focuses on creating an automated pipeline for bringing machine learning models into production.
S>Т.е. MlOps развертывание ML решений, а AIOps использование ML в диагностике (зачем -- , логи тогда зачем?).
AIOps ведёт к такой вещи как preventive maintenance — когда система не просто сваливает в кучу логи, а ещё и может предсказать с определённой долей достоверности грядущий ПЦ. Т.е. "у вас пока всё хорошо, но с вероятностью 68% через два часа система начнёт зависать". Короче, как Гидрометеоцентр.
Здравствуйте, Mr.Delphist, Вы писали:
S>>Т.е. MlOps развертывание ML решений, а AIOps использование ML в диагностике (зачем -- , логи тогда зачем?).
MD>AIOps ведёт к такой вещи как preventive maintenance — когда система не просто сваливает в кучу логи, а ещё и может предсказать с определённой долей достоверности грядущий ПЦ. Т.е. "у вас пока всё хорошо, но с вероятностью 68% через два часа система начнёт зависать". Короче, как Гидрометеоцентр.
Гыгы. Чтобы оно так могло научиться, система перед этим пару раз должна зависнуть в аналогичных условиях
— Клиенты жалуются, что ничего не работает! Всё лежит! Что происходит?
— Машин лёрнинг.
— Оооо, продолжайте.
Здравствуйте, rosencrantz, Вы писали:
R>Гыгы. Чтобы оно так могло научиться, система перед этим пару раз должна зависнуть в аналогичных условиях
Само собой, но ML подразумевает массовое обслуживание, когда есть исторически накопленный массив данных для обучения.
R> — Клиенты жалуются, что ничего не работает! Всё лежит! Что происходит?
R> — Машин лёрнинг.
R> — Оооо, продолжайте.
Этот сценарий показывает, что провалились целых два уровня обслуживания: ML и оперативный мониторинг. Они должны дополнять, а не взаимоисключать друг друга.