一項對行業(yè)領(lǐng)先組織的調(diào)查顯示，絕大多數(shù)（91.6%）的全球組織正在加快其人工智能投資的步伐，其中91.7%的受訪者表示，其投資需要轉(zhuǎn)化為敏捷和有競爭力的業(yè)務(wù)。

但是問題在于一旦創(chuàng)建，多達87%的人工智能模型無法投入生產(chǎn)。即使是這樣，他們也不總是能夠適當?shù)毓芾?，以隨著時間的推移而持續(xù)提供價值。為了確保組織從其人工智能投資中獲得最大的投資回報，他們需要機器學(xué)習(xí)操作（MLOps）。

機器學(xué)習(xí)操作（MLOps）是技術(shù)和實踐的組合，提供了可擴展且受控制的方式來在生產(chǎn)環(huán)境中部署和管理機器學(xué)習(xí)模型。借助機器學(xué)習(xí)操作（MLOps），組織可以將人工智能項目從出色的科學(xué)實驗轉(zhuǎn)變?yōu)榫哂杏绊懥Φ睦麧欜?qū)動程序。

機器學(xué)習(xí)操作（MLOps）如何提高企業(yè)人工智能投資的價值——從最初到未來幾年的部署。

縮短生產(chǎn)時間

盡管數(shù)據(jù)科學(xué)家可以定義他們希望采用人工智能幫助解決、開發(fā)和測試模型的業(yè)務(wù)問題，但他們通常需要IT部門來部署模型。

這有幾個問題：首先，IT工作者的技能與數(shù)據(jù)科學(xué)家不同，他們的背景是基礎(chǔ)設(shè)施、應(yīng)用程序監(jiān)控、安全和軟件開發(fā)。在許多情況下，他們不知道模型是什么，也不知道它能做什么。第二，環(huán)境會發(fā)生變化，模型甚至在投入生產(chǎn)后也需要更新——這是它無法做到的，因為它們使用的操作系統(tǒng)和編程語言與數(shù)據(jù)科學(xué)家不同。

機器學(xué)習(xí)操作（MLOps）可以通過創(chuàng)建一個集中式樞紐來幫助解決此問題，在該樞紐中，它們可以一起工作以使人工智能正常運行。作為一個自動化的過程，機器學(xué)習(xí)操作（MLOps）自行運行，因此數(shù)據(jù)科學(xué)家和IT人員無需擔心重新編碼語言，不同的操作系統(tǒng)或模型的漂移。與其相反，它只是無縫高效地將模型投入生產(chǎn)，因此可以開始交付業(yè)務(wù)價值。

監(jiān)控和管理模型

一旦模型投入生產(chǎn)，就需要對它們進行監(jiān)視和適當?shù)墓芾怼ＴS多組織沒有意識到人工智能模型會隨著時間的推移而變化，這意味著如果不經(jīng)常更新，他們的預(yù)測就會變得不那么準確。因此，模型監(jiān)視對于確保它們利用準確的數(shù)據(jù)并正確執(zhí)行非常重要。如果得不到適當?shù)谋O(jiān)控，組織可能會失去其利益相關(guān)者的信任，甚至?xí)p失收入。

模型治理對于確保組織最好地使用人工智能技術(shù)同樣重要。隨著組織為關(guān)鍵的面向客戶和業(yè)務(wù)流程應(yīng)用程序開發(fā)模型，對治理的需求變得至關(guān)重要。生產(chǎn)模型治理的目標是通過控制訪問和已建立的更新過程，最大限度地提高成功部署的機會，并將風險降至最低。通過限制誰可以更新模型、維護適當?shù)幕顒雍皖A(yù)測日志，以及充分測試模型，組織可以將風險降至最低，確保法律和法規(guī)的合規(guī)性，并創(chuàng)建一個可重復(fù)的過程來擴大人工智能的采用。

為意外做好準備

正如人們在過去看到的那樣，世界可以快速變化，因此需要適當?shù)臉I(yè)務(wù)決策和運營。盡管這些異常時期可能會使模型混亂，并使諸如消費者行為之類的事情難以預(yù)測，但機器學(xué)習(xí)操作（MLOps）可以幫助組織獲取這些異常數(shù)據(jù)集，甚至在極端動蕩的情況下（例如冠狀病毒疫情）也可以使用它們。

借助機器學(xué)習(xí)操作（MLOps），組織可以通過在較新的數(shù)據(jù)集上對模型進行重新訓(xùn)練來“重置”模型，然后迅速將其重新部署到生產(chǎn)環(huán)境中。他們可以提供有關(guān)數(shù)據(jù)漂移的方式和程度的指導(dǎo)，強調(diào)哪些模型不再做出準確的預(yù)測。還有其他時間段的歷史數(shù)據(jù)，例如1973年的石油危機或颶風危機，這些數(shù)據(jù)可以幫助組織預(yù)測像冠狀病毒一樣嚴重危機的長期影響。由于疫情的影響每天都在發(fā)展和變化，因此機器學(xué)習(xí)操作（MLOps）可以同時保持對數(shù)據(jù)可能偏差的監(jiān)視，并使用自動化功能在數(shù)據(jù)發(fā)生時立即通知其數(shù)據(jù)和準確性漂移。這樣，組織就可以快速重新調(diào)整其模型，并獲得與市場保持同步所需的見解。

當機器學(xué)習(xí)操作（MLOps）與其他人工智能工具結(jié)合使用時，預(yù)測將變得更加準確，并且組織可以迅速調(diào)整路線，以滿足不斷變化的消費者需求。例如，當模型在新數(shù)據(jù)集（如上述數(shù)據(jù)集）上進行訓(xùn)練之后，再用于需求預(yù)測時，品牌商可以更準確地預(yù)測需求，從而確保不會再次出現(xiàn)洗手液和衛(wèi)生紙等產(chǎn)品短缺的情況。同樣，當使用機器學(xué)習(xí)操作（MLOps）定期監(jiān)視和更新模型時，組織可以應(yīng)用時間序列之類的方法來查看對其業(yè)務(wù)的持久影響，并使用它來解決其他問題集，例如優(yōu)化人員配備水平和管理庫存等。

如今的世界日新月異，組織需要準確和可信賴的預(yù)測來幫助他們做出業(yè)務(wù)決策。但是，在大規(guī)模部署和監(jiān)控人工智能模型之前，組織難以做到這一點。通過采用機器學(xué)習(xí)操作（MLOps）的實踐和解決方案，組織可以擁有所需的工具來應(yīng)對這個前所未有的時代，同時最終也可以從其人工智能投資中看到全部價值。
責編AJX