使用 MLOps 实现企业 AI 最大化投资回报率 – 思想领袖

作者：Victor Thu，Datatron 客户成功和运营副总裁，Datatron。

2020 年末，Gartner的一项调查发现，75% 的受访者计划在未来一年继续或启动新的 AI 计划。同时，Gartner 分析师还发现，将 AI 计划投入生产的最大困难之一是这些组织无法将投资与业务价值联系起来。

更重要的是，据估计，绝大多数 AI/ML 项目都将失败。这一事实使得从顶层获得对这些投资的认可变得更加困难。这就是 MLOps – 机器学习运营 – 可以发挥关键作用的地方。

当前 ML 景观

机器学习为组织提供了巨大的可能性，但现实是实现这些可能性可能很昂贵且耗时。因此，尽管实施 ML 的兴趣很高，但实际的生产实施仍然很低。将解决方案投入生产的主要障碍不是模型的质量，而是缺乏基础设施来支持公司这样做。

机器学习的开发生命周期与传统软件开发的生命周期根本不同。在过去的 20 年里，人们基本上已经弄清楚了传统软件从开发到生产需要什么。他们了解计算、middleware、网络、存储和其他元素，以确保应用程序运行良好。

不幸的是，大多数人试图使用相同的软件开发生命周期（SDLC）来管理机器学习开发生命周期（MLLC）。然而，ML 是一个重大的范式转变。基础设施分配是独特的。语言和框架也是不同的。

机器学习模型可以在几周内相对快速地创建，但将这些模型投入生产的过程可能需要六到九个月，因为存在孤立的过程、团队之间的断开和手动将 ML 模型转换为现有应用程序。

监控和管理机器学习模型一旦它们投入生产也很困难。没有保证在实验室中创建的 ML 模型将按照预期在生产中运行。可能有多个因素导致这种情况。

MLOps 的益处

正如提到的，将机器学习模型投入生产时可能会出错。当 IT/DevOps 尝试使机器学习模型投入生产时，这些团队需要手动编写脚本和自动化不同的过程。这些模型经常被更新，每次更新模型时，整个过程都会被重复。

当一个组织有越来越多的模型和这些模型的不同迭代时，跟踪它们变得是一个巨大的问题。其中一个大问题是，他们使用的工具通常无法解决不同代码库和框架之间的断开问题。这可能会导致问题，从而浪费时间和资源等问题。大多数团队今天也在跟踪和版本控制方面挣扎，因为他们更新模型时会出现问题。

MLOps 有助于弥合数据科学和运营之间的差距，以管理生产 ML 生命周期 – 本质上是将 DevOps 原则应用于 ML 交付。这使得 ML 基础解决方案的上市时间更快，实验速度更快，质量和可靠性得到保证。

使用传统的 SDLC 模型，您可能能够在极大的痛苦和低效的情况下完成一到两个 ML 模型。但是，使用 MLOps，您可以扩大规模以解决多个问题。您可以使用这些模型来帮助更好地定位潜在客户，找到更相关的客户或找到和改进低效率。您可以更快地推出改进，Ultimately 提高生产力和利润。

MLOps 成功的要素

MLOps 不是万能的。你仍然需要有适当的基础和最佳实践才能使其发挥作用。要成功使用 MLOps，你需要关注两个主要任务。第一个是了解不同的角色。你需要确保你有合适的、多样化的技能和员工；不要把数据科学家和机器学习工程师当作同一件事。两者都是必要的，但你需要混合使用。

第二件事要记住的是不要尝试自己动手做所有事情。MLOps 也需要大量的人力，需要大量的 ML 工程师。重要的是要思考你需要什么，并看看有哪些工具可以帮助你简化方法并减少所需的专用人员数量。

以信心向前迈进

行业分析师估计，几乎一半的企业 AI 项目注定会失败。有几个原因导致这种失败，包括组织的文化。但主要原因是缺乏适当的技术来支持项目。MLOps 是一种非常有用的工具，可以帮助组织在 AI/ML 项目中实现成功，从而获得竞争优势。