一项针对行业领先组织的调查显示，绝大多数（91.6%）的全球组织正在加快其AI投资的步伐，91.7%的受访者表示，其投资需求转化为敏捷和有竞争力的业务。但问题是，一旦创建，多达87%的AI模型无法投入生产。即便如此，它们也并非总能得到妥善管理，无法随着时间的推移提供一致的价值。为确保组织从其AI投资中获得最大的投资回报率，他们需要机器学习操作(MLOps)。机器学习操作(MLOps)是技术和实践的结合，提供了一种可扩展和受控的方式来部署和管理生产中的机器学习模型。借助机器学习运营(MLOps)，组织可以将AI项目从出色的科学实验转变为有影响力的利润驱动因素。机器学习操作(MLOps)如何增加企业AI投资的价值——从开始到部署到未来几年。缩短生产时间虽然数据科学家可以定义他们希望AI帮助解决、开发和测试模型的业务问题，但他们通常需要IT来部署模型。这有几个问题：首先，IT工作者拥有与数据科学家不同的技能组合，具有基础设施、应用程序监控、安全和软件开发方面的背景。在许多情况下，他们不知道模型是什么或它能做什么。其次，即使在投入生产后，环境也会发生变化，模型也需要更新——这是它做不到的，因为它们使用与数据科学家不同的操作系统和编程语言。机器学习操作(MLOps)可以通过创建一个集中的中心来帮助解决这个问题，他们可以在这个中心协同工作，使AI发挥作用。作为一个自动化过程，机器学习操作(MLOps)自行运行，因此数据科学家和IT人员无需担心重新编码语言、不同的操作系统或模型漂移。相反，它只是无缝且高效地将模型投入生产，以便它可以开始交付业务价值。监控和管理模型一旦模型投入生产，就需要对其进行监控和适当的管理。许多组织没有意识到AI模型会随着时间而变化，这意味着如果不经常更新它们，它们的预测就会变得不那么准确。因此，模型监控对于确保它们利用准确的数据并正确执行非常重要。如果没有适当的监控，组织可能会失去利益相关者的信任，甚至会损失收入。模型治理对于确保组织充分利用AI技术同样重要。随着组织为关键的面向客户和业务流程应用程序开发模型，治理需求变得至关重要。生产模型治理的目标是通过控制访问和已建立的更新过程来最大限度地提高成功部署的机会并最大限度地降低风险。通过限制谁可以更新模型、维护适当的活动和预测日志以及充分测试模型，组织可以最大限度地降低风险，确保法律和法规合规性，并创建可重复的流程来扩大AI的采用。为意外做好准备正如我们过去所见，世界瞬息万变，需要正确的业务决策和运营。虽然这些不寻常的时间会混淆模型并使消费者行为等事情变得更难预测，但机器学习操作(MLOps)可以帮助组织捕获这些不寻常的数据集，即使在冠状病毒爆发等极其动荡的情况下也可以使用它们。通过机器学习操作(MLOps)，组织可以通过在更新的数据集上重新训练模型来“重置”模型，然后快速将它们重新部署到生产中。他们可以就数据漂移的方式和程度提供指导，突出显示哪些模型不再做出准确的预测。还有其他时间段的历史数据，例如1973年的石油危机或飓风危机，可以帮助组织预测像冠状病毒这样严重的危机的长期影响。随着大流行的影响每天都在演变和变化，机器学习操作(MLOps)可以同时监视数据中可能存在的偏差，并使用自动化在数据和准确性发生偏差时立即通知他们。这样，组织可以快速重新调整他们的模型并获得跟上市场步伐所需的洞察力。当机器学习操作(MLOps)与其他AI工具结合使用时，预测会变得更加准确，组织可以快速调整路线以满足不断变化的消费者需求。例如，当模型在新数据集（如上文提到的）上进行训练，然后用于需求预测时，品牌商可以更准确地预测需求，确保洗手液和马桶等产品不会短缺又是纸。同样，当使用机器学习操作(MLOps)定期监控和更新模型时，组织可以应用时间序列等方法来查看对其业务的持久影响，并用它来解决其他问题集，例如优化人员配备水平和管理库存和更多的。在当今不断变化的世界中，组织需要准确可靠的预测来帮助他们做出业务决策。但是，在大规模部署和监控AI模型之前，组织很难做到这一点。通过采用机器学习操作(MLOps)实践和解决方案，组织可以获得他们所需的工具来应对这些前所未有的时代，同时也最终从他们的AI投资中看到全部价值。
