1
MLOps: почему DevOps-практики ломаются об Data Science
Статистика неумолима: 80% ML-проектов умирают, так и не добравшись до продакшна. Причина кроется в фундаментальном отличии: если в классическом DevOps мы управляем только кодом, то в машинном обучении приходится жонглировать триадой «Код — Данные — Модель». Изменение любой переменной требует перезапуска всего конвейера.
Жизненный цикл трансформируется из линейного Build → Deploy в циклический Data Prep → Train → Monitor → Retrain. Без автоматизации этого лупа (Continuous Training) модель быстро деградирует из-за дрейфа данных.
Разберём архитектуру пайплайна от DVC до Seldon Core.