2019 年末，O'Reilly 主办了一项关于企业中人工智能 （AI）采用情况的调查。该调查将受访者分为采用的两个阶段：成熟阶段和评估阶段。
当被问及是什么阻碍了他们对 AI 的采用时，后一类中的受访者最常提到的是公司文化。难以识别 AI 的良好用例紧随其后。
企业 2020 年人工智能采用情况 (O'Reilly, ©2020)
MLOps，即机器学习运营，正日益被定位为解决这些问题的方案。 但这就留下了一个问题：什么是 MLOps 呢？
提出这个问题是合理的，原因有两点。 这门学科是新的，而且经常与一个同样重要但又截然不同的姊妹学科混淆：人工智能运营，即 AIOps。
让我们分解这两个学科之间的关键差异。 这个练习将帮助您决定如何在您的企业或开源项目中使用它们。
什么是 AIOps？
AIOps 是一系列多层平台，可自动执行 IT，从而提高效率。 Gartner 于 2017 年 创造了这个术语，强调了这门学科的新颖性。（披露：我曾在 Gartner 工作四年。）
在最佳状态下，AIOps 允许团队通过使用大数据、高级分析和机器学习技术来改进其 IT 基础设施。鉴于当今产生的大量数据，第一项至关重要。
说到数据，越多并不总是越好。 事实上，许多企业领导者表示，他们收到的大量数据使得他们 越来越难 收集、清理和分析这些数据，以找到可以帮助其业务的见解。
这就是 AIOps 的用武之地。通过帮助 DevOps 和数据运营 (DataOps) 团队选择要自动化的内容（从开发到生产），这门学科 帮助开源团队 预测性能问题、进行根本原因分析、发现异常情况、等等。
什么是 MLOps？
MLOps 是一种多学科方法，用于将机器学习算法作为持续产品进行管理，每个产品都有其自身的持续生命周期。它是一门旨在构建、扩展和一致地将算法部署到生产环境的学科。
将 MLOps 视为应用于机器学习管道的 DevOps。这是数据科学家、数据工程师和运营团队之间的协作。 如果做得好，它可以让所有团队成员更清楚地了解机器学习项目。
MLOps 对数据科学和数据工程团队具有明显的优势。 由于两个团队的成员有时会在孤岛中工作，因此使用共享基础设施可以提高透明度。
但 MLOps 也可以使其他同事受益。这门学科为运营方面提供了更大的监管自主权。
随着越来越多的企业开始使用机器学习，它们将受到政府、媒体和公众的更多审查。 在医疗保健、金融和自动驾驶汽车等高度监管的行业中，机器学习尤其如此。
仍然持怀疑态度？ 考虑一下只有 13% 的数据科学项目能够投入生产。 原因超出了本文的范围。 但是，就像 AIOps 帮助团队自动化其技术生命周期一样，MLOps 帮助团队选择哪些工具、技术和文档将帮助他们的模型投入生产。
当应用于正确的问题时，AIOps 和 MLOps 都可以帮助团队实现其生产目标。 诀窍是从回答这个问题开始
你想自动化什么？ 流程还是机器？
如有疑问，请记住：AIOps 自动化机器，而 MLOps 标准化流程。 如果您在 DevOps 或 DataOps 团队中，您可以——也应该——考虑同时使用这两个学科。 只是不要将它们混为一谈。
4 条评论