یک چارچوب چرخه حیات محور برای یکپارچه سازی DevOps و MLOps در سیستم های مبتنی بر یادگیری ماشین

با گسترش به کارگیری سیستم های مبتنی بر یادگیری ماشین در محیط های عملیاتی، مدیریت چرخه حیات این سیستم ها به چالشی فراتر از توسعه نرم افزارهای کلاسیک تبدیل شده است. اگرچه رویکرد DevOps چارچوبی بالغ برای خودکارسازی توسعه و استقرار نرم افزار فراهم می کند و MLOps با تمرکز بر چرخه حیات مدل های یادگیری ماشین مطرح شده است، هم راستاسازی مفهومی و عملیاتی این دو رویکرد همچنان با چالش های اساسی مواجه است. این چالش ها عمدتا ناشی از تفاوت ماهیت، مصنوعات، پویایی داده ها و تغییرپذیری عملکرد مدل ها در طول زمان هستند. در این پژوهش، با رویکردی کیفی-تحلیلی و مبتنی بر مرور و تحلیل مقایسه ای مطالعات شاخص در حوزه MLOps، DevOps و مدیریت چرخه حیات سیستم های مبتنی بر یادگیری ماشین، چالش های کلیدی یکپارچه سازی این دو رویکرد شناسایی و طبقه بندی شده اند. بر اساس این چالش ها مجموعه ای از الزامات طراحی استخراج و یک چارچوب مفهومی چرخه حیات محور برای یکپارچه سازی DevOps و MLOps ارائه شده است. چارچوب پیشنهادی با تمرکز بر مدیریت یکپارچه مصنوعات پایپلاین های CI/CD/CT، استقرار تطبیقی و پایش مبتنی بر بازخورد، دیدگاهی منسجم برای مدیریت چرخه حیات کامل سیستم های مبتنی بر یادگیری ماشین فراهم می کند. نتایج این پژوهش نشان می دهد که پرداختن به شکاف مفهومی میان DevOps و MLOps پیش نیازی اساسی برای طراحی راهکارهای پایدار و توسعه پذیر در این حوزه است.

کلیدواژه ها:

چارچوب یکپارچه مدیریت چرخه حیات سیستم های مبتنی بر یادگیری ماشین ، فناوری های نوظهور ، MLOps ، DevOps