يتم إنشاء نماذج الذكاء الاصطناعي (AI) وتحديثها بمعدل متزايد ، مما يوضح أن فرق علوم البيانات تحتاج إلى التجربة بسرعة أكبر بكثير. ومع ذلك ، ويرجع ذلك جزئيًا إلى ظهور التحول الرقمي للأعمال ، هناك المئات من حالات الاستخدام المحتملة لنماذج الذكاء الاصطناعي في أي نظام تكنولوجيا معلومات مؤسسي. اليوم ، من الصعب تخيل برنامج جديد لا يحتوي على شكل من أشكال الذكاء الاصطناعي. لسوء الحظ ، تجاوز الطلب على قدرات الذكاء الاصطناعي قدرة فرق علوم البيانات على تلبيتها. بالنسبة لهذه المشكلة ، فإن الحل المثالي هو أن يدرك الناس أن نماذج الذكاء الاصطناعي والمكونات المستخدمة في بنائها ليست سوى نوع آخر من أصول البرامج.
تعتبر القطع الأثرية طريقة رائعة لتسريع تطوير التطبيقات. ما نعرفه بالفعل يمكن تطبيقه على بناء نماذج الذكاء الاصطناعي ، بدلاً من البدء من الصفر. تعد مشاركة الكود والتعاون معه أمرًا شائعًا في فرق تطوير البرامج اليوم ، ويتم استخدام المستودعات القائمة على Git كنتيجة لعملية DevOps القائمة على أفضل ممارسات GitOps ، فإن هذه المستودعات مليئة بمواد برمجية تم اختبارها تعيد فرق التطوير استخدامها بانتظام. يمكن لفرق علوم البيانات استخدام مستودع Git لإدارة المصنوعات كجزء من سير عمل DevOps. يسهل Git إنشاء إصدارات جديدة من الملفات باستخدام فرع Git.
كما هو الحال مع أي أصل برمجي آخر ، يجب تحديث نموذج الذكاء الاصطناعي على نماذج الذكاء الاصطناعي العادية التي تكون عرضة للتجول عند توفر مصادر بيانات جديدة. قد يتطلب التحول السريع في ظروف العمل أيضًا تحديث نماذج الذكاء الاصطناعي بسرعة باستخدام نفس الإجراءات التي تستخدمها فرق DevOps لتحديث أي منتج برمجي. إنه يوسع الفوائد التي تحصل عليها فرق تطوير البرامج من استخدام Git لإدارة أصول الذكاء الاصطناعي إلى فرق علوم البيانات. لتبسيط إنشاء نموذج AI ، تستخدم العديد من الشركات حلاً متميزًا لـ MLOps منفصل تمامًا عن مجموعات أدوات DevOps الحالية.
من ناحية أخرى ، تميل حلول MLOps إلى الإقامة في بيئة مغلقة ، مما يعني أنها لا تتفاعل مع الأنظمة الأساسية الحالية مثل GitHub ، والتي يتم استخدامها في نشر وإدارة أنظمة MLOps المغلقة هذه يجب أن تتم بشكل مستقل من قبل فرق علوم البيانات لأنه من الأسهل لكل من مطوري التطبيقات وفرق علوم البيانات الحصول على رؤية عمل كل منهما عند استخدام حل قائم على GitOps. نتيجة لذلك ، لا يمكن إجراء تجارب الذكاء الاصطناعي بشكل أسرع وبتكلفة أقل فحسب ، بل أيضًا احتمال تنفيذ المزيد من نماذج الذكاء الاصطناعي بنجاح.
لا مفر من التقاء DevOps و MLOps. ستزداد تكلفة تضمين MLOps في عمليات DevOps طالما استمرت الشركات في استخدام أنظمة MLOps غير المتكاملة. إذا لم يتم التحقق من نموذج الذكاء الاصطناعي بشكل كافٍ ، فقد يحدث فرقًا كبيرًا بين النجاح وضمان أداء نموذج الذكاء الاصطناعي كما هو موعود ، ومع ذلك ، ليست هناك حاجة للتضحية بالوقت للتسويق. إن نماذج الذكاء الاصطناعي الممتازة المتأخرة ليست أكثر من فرص ضائعة حيث يتسابق المنافسون لبناء قدرات ذكاء اصطناعي مكافئة.