УДК 004
DOI: 10.36871/2618-9976.2025.12–3.005
Авторы
Александр Валерьевич Натальсон,
Старший преподаватель кафедры «Информационные технологии и интеллектуальные системы», Казанский государственный энергетический университет, Казань, Россия
Ирина Сергеевна Кузнецова,
Кандидат физико-математических наук, доцент кафедры «Математика и информатика», Донской государственный технический университет, Ростов-на-Дону, Россия
Аннотация
В статье рассмотрено влияние современных практик MLOps на внедрение и эксплуатацию моделей машинного обучения в промышленности. Выделены ключевые аспекты, обеспечивающие преемственность жизненного цикла моделей: автоматизация разработки, развёртывания, мониторинга и сопровождения. Показано, что MLOps способствует снижению разрыва между экспериментальными прототипами и промышленными решениями, повышает устойчивость моделей к изменениям данных, обеспечивает масштабируемость и соответствие нормативным требованиям. Отмечены организационные и инфраструктурные изменения, необходимость обеспечения качества данных и компетенций персонала. Обсуждены существующие вызовы и перспективы дальнейшего развития, включая усиление автоматизации, стандартизацию процессов и интеграцию с традиционными промышленными системами управления, что делает MLOps неотъемлемым элементом цифровой трансформации предприятий.
Ключевые слова
жизненный цикл моделей
промышленная эксплуатация
автоматизация
мониторинг
масштабируемость
Список литературы
[1] Ахмаров А. В., Мамаева А. М., Шахдуллаев К. Д. Модели софинансирования социальных страховых программ: сравнительный анализ и перспективы для России // Экономика и управление: проблемы, решения. — 2025. — Т. 11, № 3(156). — С. 211–217. — DOI 10.36871/ek.up. p. r.2025.03.11.022.—EDN AYUZOK.
[2] Петров Б. С. Интеграция алгоритмов глубокого обучения в визуальные системы промышленной автоматизации // Современные технологии автоматизации. 2025. № 2. С. 45–59.
[3] Смирнова Е. Ю. Применение структурных нейронных сетей для задач распознавания объектов в робототехнике // Вестник Московского технического университета. 2023. Т. 18, № 4. С. 77–92.
[4] Кузнецов Д. Л. Методы обработки изображений в технических системах визуального слежения // Известия вузов: Автоматизация и управление. 2024. № 3. С. 23–38.
[5] Моргалёв И. С. Исследование систем технического зрения с интеграцией машинного обучения для контроля качества // Вестник информационных технологий. 2025. № 1. С. 5–16.
[6] Нурдинов Р. М. Адаптивные алгоритмы управления с визуальной обратной связью на основе нейросетевых моделей // Журнал вычислительной техники и информатики. 2024. № 7. С. 101–117.
[7] Руднев Р. К. Роботизация рутинных операций с использованием машинного обучения // Проблемы информатики и управления. 2024. № 8. С. 88–103.
[8] Лебедев С. А. Оптимизация параметров промышленных систем технического зрения: математические методы и приложения // Автоматизация в промышленности. 2025. № 4. С. 56–73.
[9] Фёдоров В. И. Алгоритмы автоматической калибровки камер для замкнутых контуров управления роботами // Сборник научных трудов ФИЦ «Информатика и управление» РАН. 2023. С. 34–50.
[10] Киселёв М. П. Принципы построения реального времени обмена данными в промышленных управляющих системах // Современные проблемы кибернетики и вычислительной техники. 2024. № 6. С. 129–145.
