ML 开发中一个经常被忽视的挑战是将模型集成到现有软件应用程序的过程。如果您的任务是为产品添加 ML 功能，您几乎肯定会遇到必须与您的模型完美配合的现有代码库。委婉地说，这不是一件容易的事。
ML 是一门高度迭代的学科。在开发模型的过程中，团队经常对其代码库和管道进行许多更改。将 ML 代码库与应用程序的依赖项、单元测试和 CI/CD 管道耦合将显着降低 ML 团队交付解决方案的速度，因为每次更改都需要在批准合并之前运行这些下游依赖项。
借助 GitLab DevOps 平台和 Comet，我们可以将 ML 和工程团队之间的工作流分开，同时通过保持跨团队的整个模型开发过程的可见性和可审计性来实现跨团队协作。
我们将使用两个独立的项目来演示这个过程。一个项目将包含我们用于手写数字识别器的应用程序代码，而另一个项目将包含与训练和评估我们的模型相关的所有代码。
我们将采用一个流程，在 GitLab DevOps 平台内自动发布和跟踪讨论、代码审查和模型性能指标，从而提高数据科学家和软件工程师之间针对机器学习工作流进行协作的速度和机会。
具体方式点击标题见原文