引言
近年來，“Ops”一詞在 IT 運維領域的使用迅速增加。IT 運維正在向自動化過程轉變，以改善客戶交付。傳統的應用程式開發採用 DevOps 實施持續整合（CI）和持續部署（CD）。但對於資料密集型的機器學習和人工智慧（AI）應用，精確的交付和部署過程可能並不適用。
本文將定義不同的“Ops”並解釋以下幾種：DevOps、DataOps、MLOps 和 AIOps 的工作原理。
DevOps
這一實踐自動化了開發（Dev）和運營（Ops）之間的合作。主要目標是更快、更可靠地交付軟體產品，並持續提供軟體質量。DevOps 補充了敏捷軟體開發過程/敏捷工作方式。
DataOps
DataOps 是一種實踐或技術，結合了整合的、面向流程的資料與自動化，以提高資料質量、協作和分析。
它主要涉及資料科學家、資料工程師和其他資料專業人員之間的合作。DataOps 與 DevOps 的比較。
MLOps
MLOps 是一種實踐或技術，可靠且高效地開發和部署機器學習模型。
MLOps 是 DevOps、ML 和資料工程交集處的一套實踐。
AIOps
AIOps 是自動化和簡化自然語言處理和機器學習模型的運營工作流的過程。機器學習和大資料是 AIOps 的主要方面，因為 AI 需要來自不同系統和過程的資料，並使用 ML 模型。AI 透過機器學習模型建立、部署、訓練並分析資料以獲得準確結果。
根據 IBM Developer 的說法，以下是典型的“Ops”如何協同工作：Ops 協同工作。
圖片來源：IBM
綜合比較
下表描述了 DevOps、DataOps、MLOps 和 AIOps 之間的比較：
| 方面 | DEVOPS | DATAOPS | MLOPS | AIOPS |
|---|---|---|---|---|
| 焦點 | IT 運維和敏捷方式的軟體開發 | 資料質量、協作和分析 | 機器學習模型 | IT 運維 |
| 關鍵技術/工具 | Jenkins, JIRA, Slack, Ansible, Docker, Git, Kubernetes, Chef | Apache DolphinScheduler , Databricks, Data Kitchen, Apache SeaTunnel | Python, TensorFlow, PyTorch, Jupyter, Notebooks | 機器學習, AI 演算法, 大資料, 監控工具 |
| 關鍵原則 | IT 流程自動化、團隊協作與溝通、持續整合和持續交付 (CI/CD) | 資料協作、資料管道自動化與最佳化、資料構件的版本控制 | 機器學習模型、版本控制、持續監控與反饋 | IT 事件的自動化分析與響應、主動問題解決、IT 管理工具整合、透過反饋持續改進 |
| 主要使用者 | 軟體和 DevOps 工程師 | 資料和 DataOps 工程師 | 資料科學家和 MLOps 工程師 | 資料科學家、大資料科學家和 AIOps 工程師 |
| 用例 | 微服務、容器化、CI/CD、協作開發 | 資料攝取、處理轉換資料、資料提取到其他平臺 | 用於預測分析和 AI 的機器學習 (ML) 和資料科學專案 | IT AI 運維以增強網路、系統和基礎設施 |
總結
總之，由於業務流程變得越來越複雜，IT 系統隨著新技術的動態變化，單一專案團隊管理系統的時代已經結束。詳細的實施涉及協作實踐、自動化、監控的結合，以及作為 DevOps、DataOps、MLOps 和 AIOps 過程的一部分的持續改進的重點。
DevOps 主要關注 IT 流程和軟體開發，而 DataOps 和 MLOps 方法則關注改進 IT 和業務的協作以及組織中的整體資料使用。DataOps 工作流程利用 DevOps 原則來管理資料工作流。
原文連結來自於：https://dzone.com/articles/comparison-of-all-ops
本文由 白鯨開源 提供釋出支援！