随着越来越多的组织推进基于AI的数字化转型，AI运维领域正在出现几大趋势。增长领先者正在现代应用程序开发中使用人工智能和机器学习(ML)，这与落后者形成鲜明对比。以下是451Research的统计数据：领导者投资数字化转型模型：超过一半的数字化转型领导者采用了机器学习，而落后者中这一比例不到25%。此外，62%的企业正在开发自己的模型。DevOps的普及推动了对自动化的需求：94%的企业目前正在采用DevOps。模型正日益成为企业应用程序开发不可或缺的一部分——帮助他们实现所需的连续、同步和自动化的开发和部署生命周期。数据科学和DevOps/团队更深入地合作：33%的受访组织表示数据科学/数据分析团队是DevOps的主要利益相关者。越来越多的应用程序开发人员对数据科学和人工智能感兴趣，其中许多人已经具备数据科学的基础知识。企业高管热衷于将预测嵌入到他们的业务中，以优化运营，通过自动化增加人力资本，并使员工能够事半功倍。然而，将模型部署到操作系统是出了名的困难。为了解决运营问题，一个重要的投资领域是使生产中的模型（ModelOps）与生产中的应用程序（DevOps）保持一致。智能自动化可以在协调模型和应用程序方面发挥关键作用。我们相信AutoAI可以帮助简化数据科学新手和专家的模型开发，因此我想讨论AutoAI如何提高模型和应用程序投资的回报，以及DevOps和ModelOps如何保持一致。自动化AI生命周期有助于模型高效地反复产生更好的结果。AI开发具有完整的生命周期，从构思一直到生产中的模型监控。生命周期阶段包括数据探索和准备、模型开发和部署以及使用反馈循环进行优化和监控。数据科学家、业务分析师、数据工程师和主题专家都是此生命周期中的关键参与者。DevOps团队正在发挥越来越大的作用，这是一个明显的新趋势。特别是，增长领导者正在将AI开发生命周期中生成的模型输入到DevOps中，以在规模上取得更好的成果。AutoAI旨在减少数据科学的单调、重复和耗时的问题并提高自动化程度，使数据科学家可以专注于在AI开发生命周期中做出最具创新性的贡献。AutoAI还可以帮助那些刚接触数据科学的人快速轻松地构建模型。这些新手还可以研究如何构建模型和生成管道。总而言之，企业可以通过微调预测、优化和自动化取得更好的成果。持续优化模型更适合与DevOps协作在应用程序生命周期中，应用程序的诞生始于一个想法。然后，开发和设计团队与利益相关者合作，确定最终用户如何根据他们日常生活的特点解决问题并取得更好的结果。一旦实现了这一愿景，开发团队便开始探索应用程序的工作方式，进入分析、设计和原型制作阶段。然后是编码和单元测试、用户和系统测试，一直到发布和部署。此外，定期更新和调整业务变化和解决用户反馈提出的需求和问题的机会。AI和ML模型包含动态交互并为每个用户定制有针对性的服务。自动化已经通过持续集成、低代码和无代码应用程序开发等方式对应用程序生命周期产生影响。这使经验丰富的应用程序开发人员能够专注于设计创新的解决方案，而无需繁琐的手动编码和将应用程序与操作集成的工作，而新手无需丰富的编码经验和原型设计也可以快速设计。我们需要找到一种方法，在不中断的情况下将AI模型集成到这些自动化的持续集成流程中。同步ModelOps和DevOps带来新机遇毫无疑问，我们可以为投资协调模型和应用程序制定一个令人信服的商业案例。数据科学家使用ModelOps。开发人员使用DevOps。两者如何保持同步？ModelOps使数据科学和生产IT能够协同工作以创造业务价值。建立ModelOps可以使模型与应用程序的结合更加优化、可重复和成功。部署模型的传统方法是一次性的，数据科学家和数据工程师往往缺乏运行模型的技能。在部署之前，他们可能不会考虑应用程序集成、模型监控和调整以及工作流自动化。这就是将模型和应用程序开发集成到单个数据和AI平台中的意义，通过该平台可以利用集体资产和智能。自动化将数据、模型和应用程序结合在一起，同时利用数据和应用程序的力量IBMCloudPakforData，由AutoAI提供支持，是实施和集成ModelOps和DevOps的理想选择。它可以在定期部署和更新周期中将模型从数据科学团队推送到DevOps团队，并与持续集成和部署保持一致以满足业务需求。CloudPakforData由WatsonStudio、WatsonMachineLearning和WatsonOpenScale提供支持，设计开放，与云原生应用程序集成，使用户能够构建和扩展AI以实现可解释的AI。AutoAI有助于促进数据科学团队与DevOps和应用程序开发人员之间的协作，降低在生产中部署和优化模型的复杂性。如果您是DevOps和应用程序开发从业者，您可以从WatsonMachineLearning获取RESTAPI端点并部署模型以更好地了解使用情况统计信息、模型状态和KPI。开发人员可以设置API连接以向应用程序发送额外信息以进行评分和预测。了解AI和让AutoAI发挥作用的更多方法这只是企业如何利用AutoAI在数据科学和人工智能的帮助下加速增长的一个例子。访问：https://www.ibm.com/cn-zh/cloud/watson-studio/autoai您可以了解更多有关用于运行AI的ModelOps和用于管理和监控模型的ExplainableAI的信息。原文链接：https://www.ibm.com/blogs/journey-to-ai/2021/03/autoai-synchronize-modelops-and-devops-to-drive-digital-transformation/详细了解IBM：http：//cloud.51cto.com/act/ibm2021q3/cloud#p3
