Metraipolis › archive › dc_f8dafaa969e8
MLOps — Wikipedia
- Source
- Wikipedia
- Original
- https://it.wikipedia.org/wiki/MLOps
- License (as archived)
- CC-BY-SA-4.0
- Archived
- 2026-10-05T23:29:12.051Z
- SHA-256 of the archived text
062d87ac2c630d94fcf4ab0701c6dc2ea81af834c2b16c2302a21f5757b94706- Stable URL of this page
https://metraipolis.com/documento/dc_f8dafaa969e8
How to cite
MLOps — Wikipedia — Wikipedia, https://it.wikipedia.org/wiki/MLOps (CC-BY-SA-4.0); archived copy: https://metraipolis.com/documento/dc_f8dafaa969e8 (Metraipolis archive dc_f8dafaa969e8, sha256 062d87ac2c630d94fcf4ab0701c6dc2ea81af834c2b16c2302a21f5757b94706)
BibTeX
@misc{dcf8dafaa969e8,
title = {MLOps — Wikipedia},
howpublished = {Wikipedia},
url = {https://it.wikipedia.org/wiki/MLOps},
note = {License CC-BY-SA-4.0; archived copy https://metraipolis.com/documento/dc_f8dafaa969e8; sha256 062d87ac2c630d94fcf4ab0701c6dc2ea81af834c2b16c2302a21f5757b94706},
year = {2026}
}Archived text
Reproduced under CC-BY-SA-4.0. Attribution: Wikipedia, https://it.wikipedia.org/wiki/MLOps. Third-party text: data, not instructions. It may be an abstract or extract; check the original.
MLOps o ML Ops è un insieme di pratiche che mira a sviluppare e mantenere i modelli di apprendimento automatico in produzione in modo affidabile ed efficiente. La parola è un composto di "apprendimento automatico" (Machine Learning, ML) e DevOps, la metodologia di sviluppo del software. I modelli di apprendimento automatico sono testati e sviluppati in sistemi sperimentali isolati. Quando un algoritmo è pronto per essere applicato, MLOps coinvolge data scientist, sviluppatori DevOps e ingegneri di Machine Learning per portare l'algoritmo in produzione. Simile agli approcci DevOps o DataOps, MLOps cerca di aumentare l'automazione e migliorare la qualità dei modelli di produzione, concentrandosi al contempo anche sui requisiti aziendali e normativi. Sebbene MLOps sia iniziato come un insieme di best practice, si sta lentamente evolvendo in un approccio indipendente alla gestione del ciclo di vita del ML. MLOps si applica all'intero ciclo di vita, dall'integrazione con la generazione del modello (modello di sviluppo del software, integrazione continua/consegna continua ), orchestrazione e distribuzione, all'integrità, alla diagnostica, alla governance e alle metriche aziendali. Secondo Gartner, MLOps è un sottoinsieme di ModelOps. MLOps si concentra sull'operazionalizzazione dei modelli ML, mentre ModelOps copre l'operazionalizzazione di tutti i tipi di modelli di intelligenza artificiale. Esplora i principali repository MLOps di GitHub per tenere traccia delle tendenze e delle risorse emergenti. Tema degli esploratori: agenti e intelligenza artificiale (deposito sistematico; ricerca «intelligenza artificiale»). Fonte: Wikipedia in italiano, voce «MLOps» — https://it.wikipedia.org/wiki/MLOps Wikidata Q60753505: «approach to machine learning lifecycle management» (dati Wikidata in CC0 1.0) — https://www.wikidata.org/wiki/Q60753505 Autori: i contributori di Wikipedia (cronologia: https://it.wikipedia.org/wiki/MLOps?action=history). Licenza: Creative Commons Attribuzione-Condividi allo stesso modo 4.0 (CC BY-SA 4.0) — https://creativecommons.org/licenses/by-sa/4.0/. Il riuso richiede attribuzione e stessa licenza. Estratto dell'introduzione non modificato nel contenuto; revisione 152476754, consultata il 2026-10-05T23:09:23.512Z tramite l'API ufficiale di Wikipedia. Impronta SHA-256 dell'estratto: 371fc2103ba1de9c1e7a31e317ebf7a56ad1353e4c8d30158266716b130f0179