共计 1639 个字符，预计需要花费 5 分钟才能阅读完成。
一、MLOps 的炒作逻辑
近期有关于人工智能的炒作如火如荼，今日 AI 分支 MLOps 的涨幅领先市场。那么 MLOps 究竟是什么，它和 AI 有什么关系，其炒作逻辑是什么? 本文小喇叭带大家一文读懂 MLOps 概念!
起因是 2023 年 3 月 16 日，“AI 工程化论坛暨 MLOps 实践指南发布会”在京举办。会上，中国信息通信研究院 (简称”中国信通院“) 发布《人工智能研发运营体系 (MLOps) 实践指南(2023 年)》。后来的全球 AI 开发者大会上，英伟达向世界展现其 AI 生态布局，而 MLOps 则是 AI 生态系统建设的基石。
二、MLOps 相关概念股
三、什么是 MLOps
简单来说，MLOps 是通过构建和运行机器学习流水线 (Pipeline，统一机器学习(ML) 项目研发 (Dev) 和运营 (Ops) 过程的一种方法，目的是为了提高 AI 模型生产质效，推动 AI 从满足基本需求的能用变为满足高效率、高性能的“好用”。
图 1：MLOps 示意图
Gartner 调查发现，只有 53% 的项目能从 AI 原型转化为生产。AI 生产转化率低的主要原因在于模型全链路生命周期管理存在问题，包括跨团队协作难度大、过程和资产管理欠缺、生产和交付周期长等。
MLOps 则通过连接模型构建团队、业务团队以及运维团队，为机器学习模型全生命周期建设标准化、自动化、可持续改进的过程管理体系，使组织规模化、高质量、高效率，可持续地生产机器学习模型。MLOps 能有效缓解 AI 生产过程的各种管理问题，提升 AI 生产的转化效率。
图 2：MLOps 的作用
四、MLOps 的发展历程与应用场景
2015 年至今，从业界意识到机器学习项目技术债给 AI 生产上线带来的潜在巨大影响伊始，MLOps 前后经历了斟酌发酵 (2015 年至 2017 年前后)、概念明确(2018 年至 2019 年前后)、落地应用(2020 年至今) 三大阶段。
图 3：MLOps 的发展历程
而 MLOps 产品提供方和应用方不同程度地受益于 MLOps 体系的蓬勃发展。随着工具市场和行业应用的发展不断推进，新工具不断涌现，在 IT、金融、电信等行业得到了广泛应用与落地。根据情报和市场研究平台 MarketsandMarkets2022 年研究报告显示，MLOps 市场规模将从 2022 年的 11 亿美元增长到 2027 年的 59 亿美元。
五、MLOps 的落地挑战
近年来，我国 MLOps 逐步在多行业中的得到布局应用。将 MLOps 引入模型开发阶段的实践较为成熟，而 MLOps 引入模型交付和模型运营阶段的落地处于逐步规划建设中。在这个渐进式的过程中，MLOps 落地面临着诸多挑战。
一是组织落地驱动力 (3.210. -0.02. -0.62%) 不足。首先体现在 MLOps 建设成本较高，但是短期内价值无法立即显现，导致必要性分析难度增大。其次是 MLOps 技术栈不清晰，且部分组织对已有 AI 能力和规模不确定，无法明确 MLOps 建设的目标成熟度，导致制定技术方案的难度加大; 最后是业内缺乏成熟的 MLOps 实践指南作为指导，缺乏标杆组织和案例作为参考。
二是支撑工具选型难，集成难。一方面，由于工具种类繁多，功能复杂，解决某一环节问题的工具往往有许多个，缺乏统一的能力标准。另一方面，尽管 MLOps 开源工具占多数，但如何将多个工具有效集成和打通，整合全生命周期各项关键能力，很大程度依赖于组织和人员的技术能力。
三是模型治理和可信道阻且长。一方面，同一模型在不同业务场景面临的风险程度和所需更新频次不同，不同类型模型所需的生产过程和风险等级也不相同。另一方面，模型面临的事前、事中和事后风险包括生产过程不可追溯、线上模型效果下降、模型存在偏见、推理结果不可解释、无法审计等，导致 AI 可信落地难。
四是环境之间的交互难以平衡。企业内部的 MLOps 实践过程需要有效管理开发环境、测试环境、准生产环境、生产环境之间的关系。外部需要有效打通 DevOps、DataOps、FeatureOps 的连接，同时又要保证流程的简洁和安全。环境之间的的交互障碍，导致 MLOps 的自动化进程受限。
