MLOps落地開(kāi)花，AI資產(chǎn)沉淀和治理成為實(shí)踐新風(fēng)向。隨著(zhù)業(yè)界對人工智能研發(fā)效率、團隊協(xié)作、安全保障等需求進(jìn)一步提升，整個(gè)MLOps產(chǎn)業(yè)實(shí)踐呈現出“內涵很明確、落地很困難”的現狀。

從技術(shù)內涵來(lái)看， MLOps的核心和要求已明確，即圍繞“一個(gè)基礎、兩個(gè)關(guān)鍵、三個(gè)提升”，逐步建設從需求、開(kāi)發(fā)、交付到模型運營(yíng)的全生命周期運營(yíng)管理機制。一個(gè)基礎是指持續交付，通過(guò)搭建工廠(chǎng)流水線(xiàn)式的模型生產(chǎn)方式，提G規�；�生產(chǎn)效率。許多頭部企業(yè)都已開(kāi)始實(shí)踐模式的持續交付，部分企業(yè)模型研發(fā)效率提升超過(guò)40%。兩個(gè)關(guān)鍵是指持續訓練和持續監控，通過(guò)持續訓練和持續監控搭建G效閉環(huán)的運營(yíng)管理體系，提G機器學(xué)習可觀(guān)察性，保證模型質(zhì)量，增加賦能效果。

三個(gè)提升是指數據管理、特征管理、模型管理能力的提升。對數據、特征和模型等AI資產(chǎn)加以沉淀、安全管控和風(fēng)險治理，提升企業(yè)級AI治理能力，已成為MLOps新風(fēng)向。

從落地現狀來(lái)看，持續交付、持續訓練、持續監控和模型治理難度依次提升，產(chǎn)業(yè)界當前尚處在提升持續交付和持續監控能力過(guò)程中，模型治理等僅有少量探索，未來(lái)仍然是AI工程化的重點(diǎn)方向。 v 此外，MLOps的工具市場(chǎng)持續火熱，端到端的MLOps一體化工具和細分場(chǎng)景的專(zhuān)項工具都非�；馃�，端到端工具追求大而全的功能集，專(zhuān)項工具在局部或某些場(chǎng)景下功能和性能較好，例如流水線(xiàn)編排、模型監控、特征存儲、可觀(guān)測等工具，未來(lái)MLOps相關(guān)工具可能會(huì )成為AI軟件市場(chǎng)的重要賽道。