终身学习和 MLOps 确实是互补的。

终身学习 (LL)可以定义为一组学习算法和模型，它们可以处理越来越多的数据和/或任务，而不会（完全）忘记前一个，并且（通常）不会使用您的所有数据完全重新训练模型现在有货。因此，在 LL 中，我们试图模仿人类一生中不断学习（不同任务）的方式，并将在一项任务中获得的知识/技能转移到其他任务（例如从步行任务到跑步任务）[1]。

MLOps是 DevOps 在机器学习或数据科学环境中的应用。换句话说，它更像是一种软件工程实践，您可以在其中定义在部署软件之前和之后需要（半）自动完成的任务的管道（或序列）。所以，MLOps 只是 DevOps，但是，除了 DevOps 中的常见实践，如持续集成和持续部署，你还有处理软件的 ML 部分的方法，比如随着更多数据可用而自动重新训练，以及自动在测试数据集上评估（新）训练模型。

它们是互补的，因为 MLOps 关注数据科学过程的自动化（即数据的收集和清理、用新数据训练模型、评估、将新训练和评估的模型部署到生产服务器），而LL（仅/通常）关注能够应对新任务和数据（无需完全重新配置或重新训练）的学习算法和模型的开发，因此它与持续集成和持续部署无关或几乎没有关系。在 MLOps 中，鉴于您可以（自动）在更多数据可用时重新训练模型，您可能会认为这是一种终身学习的形式，但是您完全重新训练模型并且您可能无法应对不同的任务，但是您确实可以在 MLOps 中使用 LL 技术。