08:30 – Monitoring postojećih modela
Prvi zadatak dana je pregled metrika postojećih modela u produkciji. Pomoću alata kao što su MLflow, Prometheus ili custom dashboardi, proveravaju se metrika tačnosti, latency i broj poziva.
10:00 – CI/CD tokovi i Git integracije
MLOps istraživač često radi na unapređenju CI/CD tokova – definišu se automatski testovi za modele, proverava stabilnost build-ova i uvode nove strategije verzionisanja (model versioning + data versioning).
12:00 – Validacija modela sa realnim podacima
Rad u MLOps laboratoriji podrazumeva stalno uparivanje simuliranih i realnih scenarija. Testira se kako modeli reaguju na nepredviđene ulaze, što je ključno za robustnost.
14:00 – Refaktorisanje pipeline-ova
Praksa nalaže da se svaki pipeline modularizuje i dokumentuje. Fokus je na Dockerizaciji, Helm chart-ovima, i orkestraciji pomoću Kubernetes-a.
16:00 – Praćenje drift-a i automatizacija retraining-a
Modeli vremenom gube tačnost – MLOps istraživač dizajnira automatizaciju retraining-a u slučaju detektovanog drifta podataka pomoću alata kao što su EvidentlyAI ili custom detekcija.
18:00 – Mentorisanje i znanje deljenje
Završetak dana često podrazumeva mentorisanje mlađih kolega, održavanje internog wiki-ja i doprinose open-source zajednici.
