MLOps

angolul: machine learning operations (MLOps)

haladóelterjedt

Az MLOps azoknak a módszereknek és eszközöknek az összessége, amelyekkel a gépi tanulási modelleket megbízhatóan üzembe állítják, figyelik és folyamatosan frissen tartják.

Érthetően

Egy AI-modellt megépíteni olyan, mint megfőzni egy jó ebédet otthon. Az MLOps az étterem konyhája: ugyanazt az ételt kell minden nap, több száz vendégnek, azonos minőségben kiadni, és azonnal észre kell venni, ha valami megromlott.

A gyakorlatban ez munkamódszerek és szoftvereszközök együttese. Ezek gondoskodnak arról, hogy a modell a kísérleti laborból eljusson a valódi felhasználókig, és ott is jól működjön hónapokon, éveken át.

Azért kell külön szakterület hozzá, mert egy modell nem úgy romlik el, mint egy hagyományos program. Nem áll le hibaüzenettel, hanem csendben egyre rosszabb válaszokat ad, mert a világ megváltozott azóta, hogy betanították.

Az MLOps ezért a hagyományos szoftverüzemeltetés fegyelmét (tesztelés, verziókövetés, automatizálás) kiegészíti az adatok és a modell minőségének állandó ellenőrzésével.

Hogyan működik

Adatok előkészítése: a csapat összegyűjti, megtisztítja és verziószámmal látja el a tanítóadatokat, hogy később pontosan tudni lehessen, melyik modell miből tanult.
Tanítás és kísérletkövetés: minden tanítási futást naplóznak a beállításokkal és az eredményekkel együtt, így a legjobb változat bármikor újra előállítható.
Ellenőrzés és élesítés: a modell automatikus teszteken megy át (pontosság, sebesség, méltányosság), majd fokozatosan engedik rá a valódi felhasználókra.
Megfigyelés: élesben folyamatosan mérik, mennyire pontos még a modell, és változott-e a beérkező adatok jellege (ezt hívják adatsodródásnak).
Újratanítás: ha a teljesítmény romlik, a rendszer jelez vagy magától elindítja a modell frissítését, és a kör kezdődik elölről.

Példa a mindennapokból

A bankod csalásfigyelő rendszere egy nap megállít egy szokatlan külföldi vásárlást a kártyádon. Hogy ez a modell a csalók új trükkjeit is felismerje, és közben ne tiltson le feleslegesen, azt a háttérben az MLOps-folyamat biztosítja: figyeli a találati arányt, és rendszeresen friss adatokon tanítja újra a modellt.

Kit érint

fejlesztőNeked kell megépítened és karbantartanod azt az automatizált folyamatot (angolul pipeline), amelyen a modell a kísérlettől az éles üzemig eljut. → Kód

vállalkozó, vezetőEzen múlik, hogy az AI-projekted megragad-e a bemutató szintjén, vagy valóban tartós üzleti hasznot hoz.

banki ügyfél, befektetőA hitelbírálat és a csalásszűrés mögötti modellek pontossága és naprakészsége közvetlenül érinti a pénzügyeidet. → Pénz

ipari dolgozó, mérnökA gyártósori minőségellenőrző vagy karbantartás-előrejelző modellek csak rendszeres felügyelet mellett maradnak megbízhatók. → Ipar

Gyakori félreértés

TévhitHa a modell egyszer elkészült és jól teljesít a teszteken, a munka nehezén túl vagyunk.

ValójábanA munka nagyobb része csak ezután jön: az éles üzem, a megfigyelés és a frissítés jellemzően több erőforrást kíván, mint maga a modell megépítése. Felügyelet nélkül a legjobb modell is észrevétlenül elavul.

Korlátok és kockázatok

Az MLOps nem javít meg egy rossz modellt vagy rossz adatot: csak azt biztosítja, hogy a hibát időben észrevedd.
A kiépítése drága és szakértelmet kíván; egy kis cégnek, amely kész AI-szolgáltatást vásárol, többnyire nincs szüksége saját, teljes MLOps-rendszerre.
Az eszközpiac széttagolt és gyorsan változik, ezért nehéz jól választani; a nagy felhőszolgáltatók kész csomagjai kényelmesek, de könnyen egyetlen szállítóhoz kötnek.
Az automatikus újratanítás kockázatos lehet: ha hibás vagy manipulált adat kerül a rendszerbe, és ember nem ellenőrzi, a modell észrevétlenül romolhat.

Hasonló, de nem ugyanaz

DevOps – A DevOps a hagyományos szoftverek fejlesztését és üzemeltetését köti össze, az MLOps ehhez hozzáteszi az adatok és a tanított modellek kezelését is.
LLMOps – Az LLMOps az MLOps nagy nyelvi modellekre szabott ága, amely a promptok, a költségek és a generált válaszok minőségének követésére összpontosít.
AIOps – Az AIOps azt jelenti, hogy mesterséges intelligenciával segítik az informatikai rendszerek üzemeltetését, vagyis ott az AI az eszköz, nem az üzemeltetett dolog.

Kapcsolódó fogalmak

Tágabb

gépi tanulás, DevOps, AI-infrastruktúra

Szűkebb

LLMOps, modellmegfigyelés, adatsodródás, kísérletkövetés, modellregiszter

Rokon

AIOps, DataOps, AI-irányítás, modelltelepítés, folyamatos integráció és szállítás, felhőszolgáltatás

Röviden a története

A kifejezés a szoftveres világban a 2000-es évek végén megjelent DevOps mintájára született, és a 2010-es évek végén terjedt el. A szakterület egyik alapszövegének a Google kutatóinak 2015-ös tanulmányát tartják, amely rámutatott, hogy egy éles gépi tanulási rendszerben maga a modell csak a kód kis töredéke, a többi az adatkezelést, az üzemeltetést és a felügyeletet szolgálja.

Hol tart most

2026 végére az MLOps a nagyobb, saját modellt üzemeltető cégeknél bevett gyakorlat, a nagy felhőszolgáltatók kész eszközkészletet kínálnak hozzá. A figyelem a nyelvi modellek és az AI-agentek üzemeltetése felé tolódik, ami az LLMOps és az agentek megfigyelésének külön eszközeit hívta életre.

Állapot: 2026. november

Más nevei

MLOps · ML Ops · machine learning operations · gépi tanulási műveletek · gépi tanulási üzemeltetés · ML-üzemeltetés · modellüzemeltetés · ModelOps

Források

Google Cloud – MLOps: Continuous delivery and automation pipelines in machine learning

A szócikk gépi szerkesztéssel készült és gépi szakmai lektoráláson ment át; a „hírekben” rész az Agent Age sztorijaiból automatikusan frissül.