评论
作者:Stu Bailey,ModelOp 联合创始人及首席企业 AI 架构师。
你知道吗,约有一半开发的 AI 模型实际上并没有投入生产?如果你想了解原因,并防止数据科学家的时间和其他资源在你的组织中被浪费,那么了解 MLOps 和 ModelOps 之间的区别是很重要的。这两个术语并不相同,但常常被互换使用。对 MLOps 和 ModelOps 特定角色和价值的不了解削弱了企业 AI 项目的价值。了解 MLOps 和 ModelOps 之间的区别很重要,因为它们各有其独特的作用,并不能相互替代。
本博客解决以下问题:
-
MLOps 和 ModelOps 有什么区别
-
各自的用途是什么?
-
谁在使用它们?
-
你的组织需要哪个?(这是个伪问题,你可能需要两者。)
-
使用 MLOps 和 ModelOps 的价值是什么?
理解和重视 ModelOps 和 MLOps 之间的区别很重要,因为虽然两者都需要,但只有其中之一能完全解决拖慢近三分之二企业 AI 项目的运营和治理过程问题(2021 年 ModelOps 状态报告)。
MLOps 帮助数据科学家在数据科学过程中快速实验和部署 ML 模型。它是像 Amazon Sagemaker、Domino Data Lab 和 DataRobot 这样的成熟和不断成熟的数据科学平台的一个特性。
ModelOps 是针对所有生产中的 AI 和分析模型的企业操作和治理,确保所有模型的独立验证和问责,以便无论这些模型如何创建,都能进行对业务产生影响的决策。ModelOp Center 等 ModelOps 平台自动化了模型操作的各个方面,无论模型的类型、开发方式或模型的运行位置如何。
MLOps 工具和功能用于开发机器学习(ML)模型。包括 ML 模型的实际编码、测试、训练、验证和重新训练。数据科学家负责模型开发,与 DataOps 和数据分析团队紧密合作,以识别模型所需的适当数据和数据集。数据科学家通常与业务线对齐,并专注于特定业务单元或项目的目标。
ModelOps 平台和功能用于确保生产中的任何和所有模型的可靠和最佳结果。包括管理生产中的所有模型方面,例如盘点生产中的模型,确保生产模型提供可靠的决策,并遵守所有监管、合规和风险要求及控制。CIO 和 IT 运营部门与业务线合作,负责建立和实施满足企业需求的 ModelOps 平台。
MLOps 和 ModelOps 是互补的解决方案,而非竞争关系。ModelOps 解决方案无法构建模型,而 MLOps 无法在整个企业生命周期中管理和治理生产模型。
一些 MLOps 解决方案提供有限的管理能力,但当企业开始扩大 AI 工作并统一执行风险和合规控制时,这些限制往往变得明显。此外,“经过验证”的做法是开发和生产操作之间要有检查和制衡,这适用于每个开发并投入生产的模型。历史已经证明,“学生自己评分”或“狐狸看守鸡舍”是不行的。
ModelOps 平台自动化模型的风险、监管和操作方面,并确保模型可以被审计和评估其技术合规性、商业价值及业务和操作风险。通过将这些企业能力与 MLOps 工具的效率结合,企业可以利用其 MLOps 工具的投资,建立一个加速、扩展和治理企业 AI 的基础平台。
简介: Stu Bailey 是 ModelOp 的首席企业 AI 架构师。他是一位技术专家和企业家,专注于分析和数据密集型分布式系统已有二十多年,帮助大型非数字化企业扩大和管理其 AI 计划。Stu 是 Infoblox (NYSE:BLOX) 的创始人和最近的首席科学家。在多年的成功产品市场推广过程中,Stu 获得了多项专利和奖项,并帮助推动了分析和分布式系统控制的新兴标准。在担任国家数据挖掘中心技术负责人期间,Stu 首先开创了一些使用模型交换格式的分析应用。
相关:
1. 谷歌网络安全证书 - 快速进入网络安全职业轨道
2. 谷歌数据分析专业证书 - 提升你的数据分析水平
3. 谷歌 IT 支持专业证书 - 支持你的组织 IT