与机器学习应用相比，传统软件对输入数据的依赖要小得多，其结果通常是确定性的，也就是说我们大致知道会发生什么。因此，运行和监控机器学习模型要困难得多。
本练习是课程的一部分
通过我们的互动练习之一，将理论转化为实践
本章将介绍 MLOps，以及为何对希望同时设计、开发并运营多项机器学习应用的企业至关重要。您将学习 MLOps 的关键要素，如扩展与自动化、带来的收益，以及为何实施仍具挑战。您还将从技术与管理两个角度，了解开启 MLOps 之旅所需的条件。
在第二章，您将学习完整的 MLOps 生命周期，从设计、开发到部署与运维。您将了解为何监控对高效的机器学习应用不可或缺，以及我们为何必须定期对机器学习模型进行再训练。
在第三章，您将从理论走向实践，识别部署机器学习模型的主要挑战与风险。您还将了解高效的 MLOps 团队如何开展工作，以及管理层如何推动机器学习能力的成功规模化。
当前练习
最后一章将通过最佳实践与常见误区，讲解如何成功启动您企业的 MLOps 之旅。最后，您将审视 MLOps 的不同成熟度水平，并通过一个关于为关键生产流程设计、开发与运营机器学习应用的真实案例，完成本课程的学习。
