机器学习操作 (MLOps) 产品类别一直在快速发展，特别是在去年，并且出现了几个平台来承担它。 包括 AWS 和 Microsoft 在内的云供应商，包括 Databricks 和 Cloudera 在内的分析公司，像 Algorithmia 这样的纯粹 MLOps，甚至像 MLflow 这样的开源项目，都提供了集成平台来管理机器学习模型的实验、部署、监控和可解释性。 现在，位于纽约市的 MLOps 初创公司 Spell 正在提供专门针对深度学习的 MLOps 平台。 因此，Spell 将其上周宣布的平台称为促进“DLOps”。
ZDNet 采访了 Spell 的营销主管 Tim Negris 及其首席执行官兼联合创始人 Serkan Piantino（他曾担任 Facebook AI Research 的工程总监，并开设了 Facebook 纽约市办事处）。 两人解释说，当今大多数著名的 MLOps 平台都迎合了传统的机器学习（分类、回归、聚类等），而不是深度学习，深度学习通过在一个整体中分层多个神经网络结构来构建模型。 市场差距是 Spell DLOps 平台背后的动机。
特殊要求
为什么 Spell 将 DLOps 视为一个独特的类别？ Piantini 和 Negris 解释说，深度学习特别适用于涉及自然语言处理 (NLP)、计算机视觉和语音识别的场景。 深度学习模型通常比传统的 ML 模型更复杂，不太可能在数据科学家的笔记本电脑上进行训练。 相反，深度学习模型训练受益于额外且更强大的基于云的硬件，包括基于 CPU 的计算，尤其是基于 GPU 的计算。 后者在深度学习模型实验和训练方面可能非常昂贵，因此能够在云中对此类硬件进行管理和成本管理的 MLOps 平台至关重要。
Piantino 和 Negris 描述了 Spell 平台并指出它如何谨慎地管理基于 CPU 和 GPU 的集群节点的可用性和成本计算。 Spell 平台的一个特别有趣的功能是它可以创建云点实例池，并按需将它们提供给用户。 因此，Spell Virtual On-Demand Instances 以现货实例价格提供按需使用，这为客户节省了大量资金，尤其是在 GPU 资源用于训练复杂深度学习模型的情况下。
由于 Spot 实例经常会被中断，因此 Spell 平台被设计为在这种情况下具有弹性，允许进行长时间运行的训练工作，即使在抢占的情况下，也无需用户干预。 Spell 通过其在新实例上重建深度学习环境、仔细跟踪此类环境的完整起源和沿袭的能力来做到这一点。 这种方法还有助于提高模型的可重复性，并在与初始训练环境相同的配置下重新训练模型。
DLOps 与 MLOps
Spell 团队不仅讨论了他们的平台，他们还演示了它。 当他们这样做时，很明显标准 MLOps（甚至 AutoML）的许多装备——包括实验管理、模型存储库、沿袭、监控和可解释性——也存在于 Spell 的 DLOps 平台中。 因此，看起来 DLOps 确实是传统 MLOps 的超集，我问 Piantino 和 Negris 是否是这种情况。 两人一致认为，从技术上讲，我的猜想是正确的，但解释说 Spell 仍然专门针对深度学习用例。 Spell 将 AI 的深度学习部分视为最具动力和行动的部分。
Negris 和 Piantino 解释说，一旦组织成熟到一定规模和机器学习工作量，最终就会采用传统的 MLOps 平台。 但他们解释说，大多数进行深度学习的客户从第一天起就真正需要一个运维平台。这解释了为什么 Spell 真正专注于这个市场——因为它有紧迫的需求，不需要接受教育来理解为什么它最终会拥有 一个需要补救的痛点。 相反，深度学习客户会立即感到压力。
考虑到这一点，看起来 MLOps 和 DLOps 似乎并没有太大区别，但深度学习对 MLOps 平台的压力测试比传统机器学习更费力。 从本质上讲，今天的 DLOps 要求可能会成为明天的传统 MLOps 要求。 因此，这两个子类别是否有朝一日会合并尚不清楚。 显而易见的是，Spell 正在根据合法且已证明的需求打造其平台，以优化深度学习并将其操作化为企业主流。
