原文：
www.kdnuggets.com/2022/07/mlops-key-pushing-ai-mainstream.html
图片由 Miguel Á. Padriñán 提供
根据报告，MLOps 解决方案的市场预计到 2025 年将增长到 40 亿美元。感谢对 AI 业务技术不断扩大的需求，这些技术不断改善外部和内部各行业的操作。
尽管如此，AI 解决方案在业务中的突然扩张对机器学习（ML）和类似 DevOps 的先进实践产生了很大的影响。由于不产生价值的 AI 部署可能会变成非常昂贵的实验，MLOps 推动了创新的步伐，以增强 AI 执行。
换句话说，将 MLOps 集成到 AI 开发过程中可以帮助简化从部署到监控和生产的各个环节，并带来附加的投资回报。因此，将 AI 集成到业务中可能会成为一个巨大的技术成就。
然而，阻碍商业组织将 AI 转化为操作行动的最重要障碍之一是推动整个开发过程到培训和生产中的成功。更重要的是，AI 的渐进实施涉及在现有业务环境中实现必要的速度和可扩展性，这通常是一个艰巨的任务。
因此，对更高稳定性和成功的需求促使 DevOps 介入 AI 部署。此外，更具前瞻性的企业已经开始在传统的 DevOps 模型中依赖机器学习，为 MLOps 腾出了空间。从简化 AI 实施到自动化智能应用程序开发过程，MLOps 展示了持续从部署中驱动价值的潜力。
在本博客中，我们将讨论使 MLOps 成为推动 AI 主流的关键因素。此外，我们还将突出 MLOps 作为 AI 实施催化剂的能力。
由于 MLOps 将机器学习和 DevOps 的最佳实践带入 AI 实施，有很多方法可以使 MLOps 为企业的 AI 计划带来更多价值。其中一些可以列举为：
MLOps 对 AI 实施的主要优势是改进的部署。不论是适应多个团队还是构建中使用的语言，它都帮助减少模型积压，优化部署。此外，MLOps 有助于标准化模型，涵盖从开发到生产的所有环节，减少缺陷并缩短故障排除时间。
机器学习和 DevOps 能力结合时，可以降低 AI 生产的复杂性，同时加快多个系统上的关键更新。
MLOps 对 AI 实施的另一个重要原因是它为 CI/CD 集成过程带来的优势。每次更新代码或数据时，该过程都会重新运行机器学习管道。换句话说，MLOps 使得在新模型发布之前实现早期集成，允许验证新数据和代码。
在 AI 实施过程中，MLOps 补充的下一个重要因素是监控方面，这通常在生产中被忽略。MLOps 允许以非常一致的方式对跨组织部署的不同模型进行持续检查。
更重要的是，它允许刷新在生产中停留较长时间的所有模型，同时通过 ML 技术本身评估模型性能，将数据科学家的压力转移开。简而言之，MLOps 的监控提供了一种更集中化的方式来查看 AI 实施中的模型性能，促进了更大的问责制。
企业中的 AI 系统遇到的另一个重要问题是无法评估模型衰退。然而，MLOps 能够满足生命周期管理过程的资源密集型需求，使得在生产中更新模型并在初始部署后不断检查模型衰退成为可能。
MLOps 能够消除潜在的停机时间，减少数据科学家在生产模型更新中的参与。此外，MLOps 甚至有助于满足 AI 系统现有和即将推出模型的高维护需求。
由于企业涉及高成本审计以确保与部署、建模语言相关的合规要求相一致，MLOps 的集中化过程使事情变得简单。从生产访问控制到可追溯的模型结果、模型审计跟踪以及模型升级工作流程。
MLOps 作为一种数字化实践帮助企业解决与智能应用构建、部署和管理相关的多个问题。尤其是当 AI 企业实施中有大量不断扩展的训练数据集时，MLOps 可以补充监控、调整和重新训练 AI 模型。因此，ML 在生产 AI 模型的资源消耗方面使过程变得更加经济。以下是 MLOps 如何推动企业 AI 建模的方式：
使 MLOps 成为业务中 AI 实施必要性的重要原因之一是改善环境。从数据准确性检查例程到响应模型代码变更的 DevOps 过程。
此外，MLOps 在 AI 部署中的实施允许通过创建可重用资产的窗口来节省时间。无论是动态可扩展基础设施的设置，还是诸如创建封装 REST API、数据漂移分析或通过多因素认证进行安全保障的服务自动化。
有效实施 MLOps 能够访问各种功能，如全生命周期跟踪、元数据优化、超参数日志记录，最重要的是，提供最佳的 AI 基础设施，包括网络、存储和服务器。
此外，该过程还需要能够帮助快速迭代 ML 模型的软件技术。该过程还需要围绕两种 MLOps 形式进行构建，包括预测性和规范性。前者基于过去的数据预测未来结果，而后者则旨在为决策提供建议。
这一过程在将 AI 推广到每一个组织中，大小组织均应如此，都是极为重要的。大多数情况下，传统部署实践下的 ML 项目失败阻碍了 AI 系统的发展。
如果你能够很好地与 MLOps 的要求对齐，它具有将所有失败转化为成功的潜力。最重要的是，这一过程可以帮助消除所有障碍，使 AI 的实施与企业的主流数据操作相辅相成。
尽管机器学习（ML）的概念非常年轻，MLOps 这一术语也是如此，但在实施过程中，它已经证明远不只是一个流行词。因此，以适当的方式设计和针对 MLOps 需要对 MLOps 环境中各个组件之间的有效协调。
这包括 CI/CD 管道、数据监控、模型服务和版本控制，同时保持对安全性和治理机制的检查。这种方法不仅可以最小化 ML 活动相关的风险，还能减少任何泄露的可能性。
有时，虽然自主性元素可能会超过人类，但有报告证明，没有能够实施和指挥系统的团队，AI 无法扩展。
简言之，MLOps 是技术多样化中一个极其重要的组成部分。从 AI 项目的开发、部署到进步管理，致力于 MLOps 并与 AI 系统对齐需要广泛的人力密集技能，这些技能有助于创造未来的企业商业模式。
即使是最先进的数字化举措，如果在从实验室到实时实施的过渡过程中存在任何阶段的妥协，也可能无法产生价值。而且，由于人工智能（AI）是最具动态性的技术创新之一，可能会改变人类的未来，因此必须确保围绕 AI 的每一项创新都能产生实际价值。
考虑到围绕 AI 和 ML 技术的广泛误解和复杂性，完全押注于 MLOps 可能涉及意外结果。然而，一次成功的行动或任何可以通过 ML 优势促进 AI 最佳实践的行动计划，都可能改变整个企业世界。
更重要的是，朝着正确方向付出的努力可能在减少实验成本和克服失败风险方面具有巨大的价值。此外，将技术交到更多能够找到有效 AI 和 ML 实施方法的人手中，可以帮助创造一个更具生产力的数字世界。
总之，MLOps 允许企业通过每次模型部署实现 AI 计划的全部好处。此外，利用机器学习和 DevOps 可以帮助企业在 AI 目标上提前取得进展，绕过模型开发过程中遇到的任何干扰。从提供部署目标的速度到与可扩展性要求的对齐，MLOps 作为 AI 商业解决方案开发的催化剂。总的来说，它实际上可能是管理和治理 AI 的下一个重大步骤。
Kanika Vatsyayan 是BugRaptors的副总裁，负责交付和运营，该公司是一家认证的软件测试和质量保证公司。她是一位 QA 专业人士，掌握多个领导职位，如测试程序规划、创新和过程转型。从质量控制到测试领导、测试实践和保证策略，Vatsyayan 是一位经验丰富的专家，拥有影响力的技术技能。此外，她还擅长写作，因此发表了无数篇文章和博客，教育软件测试行业的受众。
1. 谷歌网络安全证书 - 快速开启网络安全职业生涯
2. 谷歌数据分析专业证书 - 提升您的数据分析技能
3. 谷歌 IT 支持专业证书 - 支持您的组织进行 IT 相关工作