Nguồn tham khảo: Kreuzberger, D., Kühl, N., & Hirschl, S. (2023). Machine Learning Operations (MLOps): Overview, Definition, and Architecture. IEEE Access, 11, 31866–31879. https://doi.org/10.1109/ACCESS.2023.3262138
Truy cập toàn văn: https://doi.org/10.1109/ACCESS.2023.3262138
Tóm tắt nội dung
Dominik Kreuzberger, Niklas Kühl và Sebastian Hirschl (IEEE Access, 2023) cho rằng dự án học máy trong công nghiệp đều nhằm nhanh chóng đưa sản phẩm vào vận hành, nhưng tự động hóa và vận hành sản phẩm học máy rất khó, nên nhiều dự án không đạt kỳ vọng. Vận hành học máy (Machine Learning Operations, MLOps) ra đời để giải quyết vấn đề này, bao gồm các thực hành tốt, hệ khái niệm và văn hóa phát triển, song thuật ngữ này vẫn mơ hồ với cả giới nghiên cứu lẫn người làm nghề.
Để lấp khoảng trống, nhóm tác giả dùng phương pháp hỗn hợp gồm tổng quan tài liệu, rà soát công cụ và phỏng vấn chuyên gia. Kết quả là một bức tranh tổng hợp về các nguyên tắc, thành phần và vai trò cần thiết, cùng kiến trúc và luồng công việc đi kèm, một định nghĩa đầy đủ về MLOps và danh sách thách thức còn bỏ ngỏ. Theo đó, MLOps không chỉ là chuyện công cụ mà còn là cách tổ chức con người và quy trình quanh mô hình.
Đối với nhà trường, bài viết là khung tham chiếu để phân định ai phụ trách dữ liệu, ai huấn luyện và cập nhật mô hình, ai vận hành hạ tầng, và cần thành phần kỹ thuật nào để mô hình dự báo bỏ học chạy ổn định trong hệ thống quản lý đào tạo.
Luận điểm liên quan trong bài viết chính
Trong bài viết chính, tài liệu này được dẫn để làm rõ nhận định sau: Kreuzberger, Kühl và Hirschl (2023) tổng hợp các nguyên tắc, thành phần, vai trò và kiến trúc của vận hành học máy (MLOps) nhằm tự động hóa và đưa sản phẩm học máy vào sản xuất.
Xem bài viết chính: Ứng dụng học máy phát hiện sinh viên có nguy cơ bỏ học: từ bài toán lớp thiểu số đến quyết định can thiệp