也就是说，仍在取得进展

MLOps市场的目标是在全球范围内超过40亿美元，并且以这样的数字，在很短的时间内，MLOps将成为AI解决方案领域的主要组成部分，提早注意企业范围内的采用，但是，这是怎么发生的呢？从一开始，MLOps就试图定义构成可靠ML开发和部署的过程，MLOps致力于制定使ML开发更加可靠和高效的实践，并且这样做实际上已发展成更大的东西，不管是否有意，它实际上已经演变为机器学习生命周期管理的独立方法，MLOps的实际核心方面必须集中在模型开发的生命周期以及机器学习模型可操作性的相关方面。

这是增强企业模型管理的MLOps的六个核心方面：

1、用于扩展企业级采用的模型生命周期管理  –与传统“ DevOps”方法中的应用程序开发流程的需求类似，MLOps方法有助于管理模型开发，培训，部署和运营的生命周期。它的主要目的是为将模型从数据科学环境迁移到生产环境提供一致的流程。

2、模型版本控制和数据实现  –构建模型时，很可能会对其进行迭代和版本控制，以处理数据和迭代工程的细微差别。理论上表现良好的机器学习模型可能会根据新的训练或真实数据而改变。MLOps可以通过提供针对模型的不同版本的解决方案，按需支持多个版本的运行，为模型用户提供版本更改通知，对模型版本历史的可见性来通知操作，并可以确保过时的模型被系统清除，从而使整个工作流程可操作。

3、模型监视和管理  –进行了连续培训，以使模型从“样本”数据转换为“真实”数据。MLOps解决方案需要在过渡数据实现的同时监视和管理模型使用情况。MLOps跟踪模型的消耗和结果，以确保其准确性和性能继续提供可接受的结果。这对于数据可见性和防止模型“漂移”非常重要，同时要注意针对阈值和基准的各种模型性能度量。

4、模型治理  –用于企业消费的模型需要与业务成果联系在一起。这样，MLOps平台可在整个过程中提供审核，合规性，治理和访问控制。这包括模型和数据审核跟踪（将数据更改跟踪到模型更改），模型访问控制，对模型访问进行优先排序的功能。它确保透明地提供模型使用数据的方式以及模型使用的任何法规要求。

5、模型发现和参数化  –当企业逐渐采用高级MLOps时，MLOps方法可能还会为开发生态系统内生成的模型提供模型注册表（和参数化模板）或目录。可搜索的企业内部市场可以提供一种定位耗材模型的方法，无论是内部开发的模型还是第三方模型。这种模型发现功能应使用户能够确定相关性，质量，数据来源，模型生成的透明度以及特定模型的其他因素。

6、具有云安全性功能的模型安全性  –机器学习模型是需要作为企业数据资产进行保护的IP。MLOps解决方案借鉴了其云原生的安全功能，可以提供保护模型免受不可靠数据，DOS（拒绝服务攻击）和基于角色的访问破坏的功能。

随着MLOps开始承诺提供数据科学和IT Ops团队需要共同协作以部署，监视，管理和管理生产中的ML / AI模型的解决方案，全球品牌将寻求企业级模型

借助ML生命周期所有范围的服务，可以使用系统化方法利用MLOps来构建，训练和部署ML模型，并确保这些模型继续交付价值，而公司不必建立自己的团队ML / AI专家。现在，我们开始看到那个未来。

  客服热线：400-050-6600

商业联合会数据分析专业委员会