MLOps wird als eine Reihe von Tools betrachtet, die sich mehr darauf konzentrieren, Datenwissenschaftlern und anderen, mit denen sie zusammenarbeiten, zu ermöglichen, beim Automatisieren oder Anpassen von ML-Modellen zu kollaborieren und zu kommunizieren. Es geht darum, ML-Modelle zu testen und sicherzustellen, dass die Algorithmen genaue Ergebnisse liefern. MLOps konzentriert sich auch enger auf Faktoren wie die Kosten für Daten-Engineering und Modelltraining, sowie auf die Überprüfung der Daten, die in das ML-Modell einfließen.
Im Regierungsbereich gibt es viele Anwendungsfälle für ModelOps. Insbesondere bei der Datenverwaltung und der Verbesserung der Datenqualität ist ModelOps im föderalen Kontext hilfreich. Viele Organisationen verwenden ML-Modelle, um Drohnenbilder und andere Überwachungsaufnahmen zu analysieren, um Veränderungen gegenüber früheren Beobachtungen zu erkennen. Die Automatisierung dieser Prozesse durch ModelOps könnte für Behörden wie das USDA, das Army Corps of Engineers und andere, die Beobachtungen im Feld durchführen und Daten analysieren, nützlich sein.
Um die Vorteile von ModelOps zu realisieren, müssen starke Partnerschaften und Kommunikation zwischen Datenwissenschaftlern, Ingenieuren, IT-Sicherheitsteams und anderen Technologen bestehen. Es hilft, eine Führungsperson wie einen Chief Data Officer zu haben, um Lücken zu überbrücken und sicherzustellen, dass die Teams gut zusammenarbeiten. Die Implementierung von ModelOps ist nicht besonders schwierig, scheitert jedoch oft, wenn IT-Führungskräfte nicht genug in die Bereinigung ihrer Daten investieren. Es ist wichtig sicherzustellen, dass die Agentur das Beste aus ihren Daten herausholt, wenn große Mengen von Daten bei der Schulung von Modellen ungenutzt bleiben.