Како што може да се види, горниот пример е можеби поволен за мини индивидуален проект, но не е изводлив за големи компании (а најчесто не е ни за мали). Втората слика е точно тоа што се случува кога ќе пуштите филтер на Instagram. Сликите (или може да се каже видеото) се праќа малку по малку на програмата која го содржи моделот во себеси, па веднаш минува низ него, ви го препознава лицето, па на него ги додава додатоците од филтрите.  Најпросто речено – ако треба да се чека некој на компјутер да го прими тоа, па да го пушти низ скрипта за гледање лице, никој не би имал трпение да ги користи.

Оваа автоматизација на процеси е направена со закачување на моделите во позадината на апликациите и веб страните. Тоа може да се прави на повеќе начини и во последно време поедноставувањето на овие технологии станува многу актуелна тема во Data Science сферата, до степен до кој се вели дека 2019 и 2020 биле годините на точно оваа технологија – MLOps.

Оние со позадина во веб дизајн ќе ја забележат сличноста меѓу MLOps и DevOps. Станува збор за пуштање на „слика“ од моделот истрениран со даден код на дадено податочно множество во продукција, така што ќе може да е користен директно во апликацијата или веб сајтот. Убавината во MLOps технологии е леснотијата за подобрување, менување и одржување на моделите. Го имате зголемено или подобрено податочното множество, и сега сакате да го ретренирате моделот и повторно да го прикачите? Она што треба да го направите е да ги закачите новите податоци, пуштите Pipeline-от, а потоа да ги видите резултатите на моделот и истовремено да го замените стариот модел со ново тренираниот без клиентите да забележат било што. Што ако сакате да го смените кодот на скриптата за тренирање на множеството? Процесот е ист.