概念小百科|MLOps是什么，它和AI有何关系？一文带你读懂新概念
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”。
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。
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。
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。