TL; DR #
MLOps (machine learning operations) makina-ikaskuntzako eredu bat esperimentu batetik ekoizpen-sistema fidagarri batera eramaten duen eta ondoren fidagarria mantentzen duen praktika multzoa da. DevOps automatizazioa DevOps-ek inoiz kudeatu behar izan ez dituen atalekin konbinatzen du: datuen bertsioen kudeaketa, ereduen entrenamendua, ereduen erregistroa eta desbideratzearen monitorizazioa. MLOps-ek ereduak errepikagarri bihurtzen ditu bidalketa egiteko. MLOps-en segurtasunak ziurtatzen du zein bidalketa eta zeinetan oinarritzen den guztia fidagarria izan daitekeela.
Zer da MLOps? #
Ez batean funtzionatzen duen eredu batebook ez da produktu bat. Produktu bihurtzen da datu berriekin berriro trebatu daitekeenean, eskuzko eskualdatzerik gabe zabaldu daitekeenean, gaizki funtzionatzen duenean atzera bota daitekeenean eta auditore batek nondik datorren galdetzen duenean azaldu daitekeenean.
Hutsune hori da ikaskuntza automatikoko proiektu gehienak gelditzen diren tokia. Google-ren artikulu aipatua Makina Ikaskuntza Sistemetan Ezkutuko Zor Teknikoa erakutsi zuen modeloaren kodea benetako ML sistema baten zati txiki bat dela. Gainerakoa datuen bilketa, ezaugarrien erauzketa, konfigurazioa, zerbitzatzeko azpiegitura eta monitorizazioa dira, eta hor pilatzen da zorra.
MLOps gainerako hori kudeatzen duen diziplina da. DevOps-en printzipioak (automatizazioa, bertsioen kontrola, etengabeko entrega, jabetza partekatua) aplikatzen ditu portaera datuen eta kodearen araberakoa den sistema batean. Beraz, MLOps zer den galdetzen duen talde batek, benetan, galdetzen ari da nola egin ereduak erakundeak funtziona ditzakeen zerbait, ez eraiki bakarrik. → Zer da IAren segurtasuna?
Garrantzitsuena den bereizketa: softwarean, kode berak portaera bera sortzen du. Makina-ikaskuntzan, datu desberdinetan entrenatutako kode berak eredu desberdin bat sortzen du. MLOps existitzen da datuak aldaketaren bigarren iturri bat direlako.
MLOps esanahia: terminoak benetan zer hartzen duen barne #
MLOps-en esanahia saltzaileen artean aldatzen da, beraz, muga zehaztea lagungarria da. Terminoak bost arlo hartzen ditu barne:
- Datuen kudeaketa. Datu-multzoak bertsionatzea, haien kalitatea balioztatzea eta zein datuk zein eredu entrenatu duen jarraitzea.
- Esperimentazioa eta prestakuntza. Esperimentuen, parametroen eta emaitzen jarraipena, eredua erreproduzitu ahal izateko, ez bakarrik gogoratu.
- Modeloen erregistroa. Modelo bertsio bakoitzaren erregistro bakarra, haren jatorria, ebaluazioa eta onarpen egoera.
- Banaketa eta zerbitzatzea. Automated pipelineModeloak paketatzen, probatzen eta inferentzia-amaiera-puntuetara zabaltzen dituztenak, datu berriak iristen direnean etengabeko prestakuntza barne.
- Jarraipena. Ekoizpen-ereduetan datuen noraezean, kontzeptuen noraezean eta errendimenduaren gainbeheran begiratzea, eta horiek hondatzen direnean birprestakuntza abiaraztea.
Bere kabuz estaltzen ez duena: modelo baten osagaien segurtasuna pipeline sartzen da. Hor hartzen dute MLOps segurtasunak eta beheko termino mugakideek agintea.
Zergatik bihurtu zen MLOps berezko diziplina #
Ereduak kodeak ez bezala hondatzen direlako. Zuzen idatzitako funtzio bat zuzen mantentzen da. Iazko transakzioetan entrenatutako iruzur-eredu batek poliki-poliki uzten du aurtengo portaera bat etortzea, kode-lerro bakar batean ere aldaketarik egin gabe. Jarraipenik eta berriro entrenamendurik gabe, zehaztasuna isilean higatzen da.
Eskalak saihestezina bihurtu zuen. Modelo bat eskuz kudea daiteke. Dozenaka modelo, bakoitza bere ordutegian berriro entrenatuta, bakoitza bere datu-multzoen, esparruen eta aurrez entrenatutako pisuen arabera, ezin da. MLOpek lan hori bihurtu zuten pipelines.
Orduan iritsi zen hornidura-katea. ML modernoa gutxitan hasten da zerotik. Taldeek aurrez entrenatutako ereduak deskargatzen dituzte gune publikoetatik, kode irekiko esparru handietan oinarritzen dira eta hirugarrenen datuetan doikuntzak egiten dituzte. Bakoitza beste norbaitek ekoitzitako osagai bat da. Ereduen serializazio formatu batzuek kodea exekutatu dezakete fitxategi bat kargatzen denean, eta horrek esan nahi du eredu bat deskargatzeak fidagarria ez den pakete bat instalatzeak dakarren arrisku bera izan dezakeela. → Zer da datuen pozoitzea?
Google Cloud-en erreferentziazko arkitektura, MLOps: etengabeko entrega eta automatizazioa pipelinemakina ikaskuntzan, heldutasuna hiru mailatan deskribatzen du: eskuzko prozesuak (0 maila), prestakuntza automatizatua pipelines (1. maila) eta automatizatua CI/CD la pipelineberaiek (2. maila). Erakunde gehienak lehenengo bien artean kokatzen dira.
MLOps praktika heldu batek taulako galdera guztiei automatikoki erantzuten die. Segurtasunaz jabetzen den praktika batek seigarren galdera bat gehitzen du etapa bakoitzean: zeren araberakoa zen urrats hau, eta aldatuko balitz jakingo genuke? Horri erantzuteko, edozein puntutan kanpo dagoen IA inbentario bat behar da. pipeline.
Zer ez da MLOps? Inguruko terminoak #
OWASP GenAI Segurtasun Proiektuak 2026ko LLM Aplikazioetarako 10 Onenak argitaratu zituen 2026ko abuztuan, eta hauek elkarren artean trukagarriak dira, eta horrek tresnei eta jabetzari buruzko elkarrizketak nahasten ditu.
- AI gobernantza MLOps-ek dituen politika, erantzukizuna eta betetze-arauak ezartzen ditu pipelines gero betearazi. → Zer da IA gobernantza?
- DevOps softwarearen entrega automatizatzen du. MLOps-ek datuekin, prestakuntzarekin eta modeloen monitorizazioarekin zabaltzen du, ordezkatu beharrean.
- DataOps datuetan zentratzen da. pipelineberaiek: datuen kalitatea, freskotasuna eta analisi-zerbitzuetako eta makina-aplikazioko kontsumitzaileei ematea.
- ModelOps ekoizpeneko analisi eta adimen artifizialaren eredu guztien gobernantza zabalagoa da, arauetan oinarritutako eta optimizazio ereduak barne, ez bakarrik ikaskuntza automatikoa.
- LLMOps MLOp-ak hizkuntza-eredu handietara egokitzen ditu: gonbidapenen kudeaketa, berreskurapena pipelines, sortutako irteeraren ebaluazioa eta kostuen kontrola.
- MLSecOps segurtasuna ekartzen du ML bizi-zikloan: modeloaren jatorria, pipeline osotasuna, mendekotasun arriskua eta aurkarien mehatxuak. MLOpen segurtasun geruza da, ez prozesu lehiakor bat.
Geruzak dira, ez lehiakideak. MLOps segurtasunik gabe MLOps exekutatzen duen erakunde batek bere entrega automatizatu du. pipeline bertatik zer igarotzen den egiaztatu gabe.
Arriskuaren esanahia MLOPen moldatzen duten esparruak #
Epaitu esparru bat argitalpen-egoeraren arabera, ez zein eguneratua denaren arabera.
Dokumentazioari dagokionez, marko zintzoa estua da. EBko IA Legearen dokumentazio teknikoaren betebeharrak arrisku handiko sistemetarako eta Zibererresilientzia Legearenak... SBOM betebeharrek benetako ebidentzia-eskakizunak sortzen dituzte. IA inbentario batek eta IA-BOM batek horiek betetzen laguntzen dute. Ez bata ez bestea ez bestea ez dira IA-BOM izendatzen, eta ezta MLOps tresna zehatzik eskatzen ere.
Definiziotik programara. #
MLOps modeloen lerroaren esanahia jakitea ez da zure biltegietan zein modelo, datu-multzo eta esparru dauden konektatuta jakitea bezalakoa.
Hutsune hori aurreikus daitekeen ordenan ixten da. Ezagutu zure IA aktibo guztiak pipelineren menpe daude, inork erregistratu ez dituenak barne. Mapatu nola konektatzen diren, zein datu-multzok zein eredu elikatzen duen eta zein amaiera-puntuak zerbitzatzen duen jakiteko. Ondoren, esportatu erregistro hori AI-BOM gisa, auditoreek, bezeroek eta zure intzidenteen erantzunak erabil dezaten.
Xygeni AI Segurtasuna Zure kodetik abiatuta eraikitzen du erregistro hori. Modeloen, IA esparruen, datu-multzoen, inferentzia-amaiera-puntuen, agenteen eta zure IA aztarnaren gainerako IA inbentario jarraitua mantentzen du, aktibo bakoitzerako arrisku-puntuazio, hornitzaile, mota eta kodean kokapen zehatza emanez. IA grafikoak erakusten du zein datu-multzok elikatzen duen zein modelo eta non kontzentratzen den arriskua, eta aurkikuntza beretik makinaz irakur daitekeen IA-BOM esportazio bat. Zure MLOp-ak pipeline ereduak entregatzen jarraitzen du; Xygenik zerez eginda dauden esaten dizu. Oinarrizko kontzeptuetarako, ikus Zer da IA BOM bat? Zer da IA inbentario bat?
Egin demo bat zure AI inbentarioa eta AI-BOM ikusteko.
ohiko galderak #
DevOps-ek softwarearekin egiten duen bezala, talde bati makina-ikaskuntzako ereduak fidagarritasunez entrenatzeko, bidaltzeko, monitorizatzeko eta berriro entrenatzeko aukera ematen dioten praktikak eta automatizazioa.
DevOps-ek kode aldaketak kudeatzen ditu. MLOps-ek kode aldaketak eta datu aldaketak kudeatzen ditu, modelo baten portaera entrenatu den datuen araberakoa baita. Horrek datuen bertsioen kontrola, entrenamendua gehitzen ditu. pipelines, eredu erregistroa eta noraezean jarduteko monitorizazioa.
Segurtasuna ML bizi-zikloan aplikatzea: modeloak eta datu-multzoak nondik datozen egiaztatzea, prestakuntza eta hedapena babestea pipelines, eta eredu batek oinarritzen dituen menpekotasunen jarraipena. Askotan MLSecOps deitzen zaio.
Zereginak behar duena baino ekintza gehiago, baimen gehiagorekin eta modu autonomoagoan egin ditzakeen sistema bat. Ez lehenespenez. Modeloen erregistro batek modeloen bertsioak eta lerroa erregistratzen ditu ML taldearentzat. AI inbentarioa, eta bertatik esportatutako AI-BOM, bat da. standardauditore, bezero eta segurtasun taldeentzat pentsatutako IA osagaien erregistro automatiko eta irakurgarri bat. Elkarren osagarri dira.
Normalean ML ingeniaritza edo plataforma talde bat. Segurtasuna pipeline partekatua da: ML taldeak du banaketaren jabetza, eta aplikazioaren segurtasunak banaketaren oinarri diren mendekotasunen eta osagaien jabetza.
