.png){kind=icon}
返回
Towards a Reference Architecture for Machine Learning Operations
.png){kind=icon}
OA
AI
DOI：10.3390/computers15040218.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
工业组织日益依赖机器学习（ML）来提升工业4.0/5.0生态系统中的质量、维护和规划。然而，由于运营技术（OTs）和信息技术的异构性，包括实施约束、边缘-雾-云场景中的延迟、治理要求以及由数据漂移引起的持续性能下降，将实验模型转化为生产现场的可靠服务仍然复杂。尽管机器学习运营（MLOps）提供了部署、监控和再训练的生命周期实践，但证据分散在以工具为中心的描述、特定案例的管道和概念架构中，对哪些工业约束应指导架构决策以及如何评估解决方案的指导有限。本研究通过PRISMA指导的系统综述，研究了49项工业MLOps研究（搜索和筛选主要针对工业4.0/IIoT运营化背景，如搜索策略和语料库所示），并基于证据合成了原则、挑战、生命周期实践和使能技术。由此合成中，推导出涵盖OT/IT集成、边缘-雾-云编排、安全和可追溯性以及基于可观测性的生命周期控制的工业需求。在此基础上，提出一个参考架构，将这些需求映射到功能层、数据和控制流以及可验证的责任。为支持可重复性和实际可检查性，文章还呈现了一个与所提议分解对齐的开源架构实例。最后，通过一个单CNC加工单元中的预测性维护用例（刀具断裂）说明评估，其目标是在真实操作约束下证明端到端的可行性，而非跨场景优越性或广泛的工业通用性。
Keyword:
machine learning operations (MLOps)
Industry 4.0
Industry 5.0
edge computing
fog computing
cloud computing
reference architecture
ISO/IEC/IEEE 42010
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
C
IF:
4.2
论文数:
1.5K
被引数:
3.3K
机构
引用论文
Automated Machine Learning for Industrial Applications – Challenges and Opportunities工业应用中的自动化机器学习——挑战与机遇OAAI
OAAI分享收藏Towards Frugal Industrial AI: a framework for the development of scalable and robust machine learning models in the shop floorMartínez-Arellano, G.; Ratchev, S. 面向节俭型工业人工智能：一种用于车间环境中可扩展且鲁棒机器学习模型开发的框架。Int. J. Adv. Manuf. Technol. 2025, 138, 169–191. [Google Scholar] [CrossRef]
PREAI
分享收藏Machine Learning Operations (MLOps): Overview, Definition, and Architecture机器学习操作 (mlop): 概述、定义和架构.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏分享收藏Qualitative assessment of the impact of manufacturing-specific influences on Machine Learning Operations对制造特定影响对机器学习操作影响的定性评估OAAI
OAAI分享收藏
查看更多内容