图文原创：谭婧
AI算法改变了世界吗？落地了才能改变世界。
MLOps为AI落地而来。
有人管MLOps叫做，AI应用模型效率化。
也有人管MLOps叫做，模型的测试上线与运维工程。
MLOps的中文名现在还是“众说纷纭”。
名字如此之长，倒是透露出一个信号，事儿多，信息量大。
Ops=Operation，MLOps深刻继承了DevOps干活的思路与方法，都涉及一组最佳实践、流程、工具和理念。
尽管存在相似之处，但后者复杂得一言难荆ML 模型高质量规模化交付很困难。
MLOps本质是希望在不降低交付质量的前提下，缩短AI项目的生命周期。
说句人话就是，MLOps干的活就是所有一堆工作流程，通过自动化手段，连接起来，还得干得快，干得好，省钱。
之所以难，是因为模型跑起来需要和企业现有系统有效融合。
模型会牵动周边产品和周边基础设施。
上游对接上游各式各样的数据和系统，下游为各种业务系统以及产品提供良好的服务（比如推荐服务）。
机器学习系统中，机器学习代码是很小的一部分。
系统中包括配置管理，数据收集，数据验证，特征工程，测试和调试，资源原理，模型分析，元数据管理，架构服务，模型监控。
牵一发，而动全身。
这种情况，除了大科技公司之外，小团队维护这样一个系统的成本太高。
虽然现在美国有很多这个领域的SaaS服务，但国内还几乎是空白。
之前《万字大稿深度解读硅谷风投A16Z“50强”数据公司榜单，一场大型凡尔赛》一文有提到。
数十家美国初创公司已进入这一领域，创建了针对生命周期中每个步骤的开源工具，要将生命周期中执行每项任务所需的不同开源产品粘合和自动化。
此外，还有来自亚马逊云、谷歌云和微软云的MLOps平台。
MLOps 工作是一种合作，常由数据科学家、运维工程师和IT系统工程师共同完成。
孤立建模，不考虑系统的思路，不对。
模型无法轻松上线，机器学习工程师设计一个新的模型版本，要在生产环境验证效果，先得走完整的工程化部署流程，不少时间浪费过去了。
AI是个新东西，IT系统是个老东西。“老东西”总是积垢方深。
有人戏称，IT系统能跑起来不出问题就行，别轻易动，别轻易改。这些历史遗留问题也会算在AI头上。
AI项目和传统IT项目的玩法，有哪些不同：
1. 传统IT系统看重代码和组件，MLOps看重数据和模型。
2. 传统软件系统的测试没有AI软件这么复杂，主要原因是传统软件的测试是功能逻辑验证。AI软件测试是效能验证，跟数据的版本和状态有关。
3. AI/ML模型不同于代码，因为模型有一个“保质期”，除非进行维护，否则会退化。
4. 传统软件的测试是逻辑正常就取得了上线资质，AI软件测试是选拔最好的版本。
5. 拿测试来说，除了传统IT系统中常规的单元测试，集成测试，AI项目还要验证和测试数据，评估和验证模型等等。
6. AI模型上线以后，工作远远没有结束，要监控模型的性能，还有预测指标的变化。如果预测指标出现衰退，就需要用最新数据做持续训练，更新模型。
（一）
100%纯手工，运维靠人
从数据提取（从生产环境里面拿），到数据分析，数据准备，模型训练，模型评估和验证，全部手工作业。缺点是不能频繁地更改模型，无法监控模型，没有反溃
（二）
手工设计+自动运维
一个设计开发好的模型，可以自动在新的生产数据上重新训练，自动部署更新后的模型参数，但是模型设计开发的过程中部分需要手工。
（三）
规模设计+自动运维
把模型设计开发的过程用软件工程DevOps的方式实现持续集成交付。通过CI/CD（持续集成与持续部署）加快算法设计的改进迭代频率。
另外，数据、专利、员工是企业资产，模型难道就不是了吗？
既然模型是宝贵的企业资产，就得有一套标准化自动化的工作流程。
MLOps大显神威之时，一个新的算法版本提交到代码仓库，自动在生产环境数据上验证，几小时后就知道结果，一天可以试验多个算法版本。
即使是在一家公司里，也会同时存在“三种情况”。
企业数字化转型情况复杂，哪种模式应该由开发工作复杂度和团队规模决定。
（完）
选题讨论专家
更多阅读
AI框架系列：
1.搞深度学习框架的那帮人，不是疯子，就是骗子（一）
漫画系列
最后，再介绍一下主编自己吧，
我是谭婧，科技和科普题材作者。
为了在时代中发现故事，
我围追科技大神，堵截科技公司。
偶尔写小说，画漫画。
生命短暂，不走捷径。
还想看我的文章，就关注“亲爱的数据”。
