一项对行业领先组织的调查显示，绝大多数(91.6%)的全球组织正在加快其人工智能投资的步伐，其中91.7%的受访者表示，其投资需要转化为敏捷和有竞争力的业务。
但是问题在于一旦创建，多达87%的人工智能模型无法投入生产。即使是这样，他们也不总是能够适当地管理，以随着时间的推移而持续提供价值。为了确保组织从其人工智能投资中获得最大的投资回报，他们需要机器学习操作(MLOps)。
机器学习操作(MLOps)是技术和实践的组合，提供了可扩展且受控制的方式来在生产环境中部署和管理机器学习模型。借助机器学习操作(MLOps)，组织可以将人工智能项目从出色的科学实验转变为具有影响力的利润驱动程序。
机器学习操作(MLOps)如何提高企业人工智能投资的价值——从最初到未来几年的部署。
缩短生产时间
尽管数据科学家可以定义他们希望采用人工智能帮助解决、开发和测试模型的业务问题，但他们通常需要IT部门来部署模型。
这有几个问题：首先，IT工作者的技能与数据科学家不同，他们的背景是基础设施、应用程序监控、安全和软件开发。在许多情况下，他们不知道模型是什么，也不知道它能做什么。第二，环境会发生变化，模型甚至在投入生产后也需要更新——这是它无法做到的，因为它们使用的操作系统和编程语言与数据科学家不同。
机器学习操作(MLOps)可以通过创建一个集中式枢纽来帮助解决此问题，在该枢纽中，它们可以一起工作以使人工智能正常运行。作为一个自动化的过程，机器学习操作(MLOps)自行运行，因此数据科学家和IT人员无需担心重新编码语言，不同的操作系统或模型的漂移。与其相反，它只是无缝高效地将模型投入生产，因此可以开始交付业务价值。
监控和管理模型
一旦模型投入生产，就需要对它们进行监视和适当的管理。许多组织没有意识到人工智能模型会随着时间的推移而变化，这意味着如果不经常更新，他们的预测就会变得不那么准确。因此，模型监视对于确保它们利用准确的数据并正确执行非常重要。如果得不到适当的监控，组织可能会失去其利益相关者的信任，甚至会损失收入。
模型治理对于确保组织最好地使用人工智能技术同样重要。随着组织为关键的面向客户和业务流程应用程序开发模型，对治理的需求变得至关重要。生产模型治理的目标是通过控制访问和已建立的更新过程，最大限度地提高成功部署的机会，并将风险降至最低。通过限制谁可以更新模型、维护适当的活动和预测日志，以及充分测试模型，组织可以将风险降至最低，确保法律和法规的合规性，并创建一个可重复的过程来扩大人工智能的采用。
为意外做好准备
正如人们在过去看到的那样，世界可以快速变化，因此需要适当的业务决策和运营。尽管这些异常时期可能会使模型混乱，并使诸如消费者行为之类的事情难以预测，但机器学习操作(MLOps)可以帮助组织获取这些异常数据集，甚至在极端动荡的情况下(例如冠状病毒疫情)也可以使用它们。
借助机器学习操作(MLOps)，组织可以通过在较新的数据集上对模型进行重新训练来“重置”模型，然后迅速将其重新部署到生产环境中。他们可以提供有关数据漂移的方式和程度的指导，强调哪些模型不再做出准确的预测。还有其他时间段的历史数据，例如1973年的石油危机或飓风危机，这些数据可以帮助组织预测像冠状病毒一样严重危机的长期影响。由于疫情的影响每天都在发展和变化，因此机器学习操作(MLOps)可以同时保持对数据可能偏差的监视，并使用自动化功能在数据发生时立即通知其数据和准确性漂移。这样，组织就可以快速重新调整其模型，并获得与市场保持同步所需的见解。
当机器学习操作(MLOps)与其他人工智能工具结合使用时，预测将变得更加准确，并且组织可以迅速调整路线，以满足不断变化的消费者需求。例如，当模型在新数据集(如上述数据集)上进行训练之后，再用于需求预测时，品牌商可以更准确地预测需求，从而确保不会再次出现洗手液和卫生纸等产品短缺的情况。同样，当使用机器学习操作(MLOps)定期监视和更新模型时，组织可以应用时间序列之类的方法来查看对其业务的持久影响，并使用它来解决其他问题集，例如优化人员配备水平和管理库存等。
如今的世界日新月异，组织需要准确和可信赖的预测来帮助他们做出业务决策。但是，在大规模部署和监控人工智能模型之前，组织难以做到这一点。通过采用机器学习操作(MLOps)的实践和解决方案，组织可以拥有所需的工具来应对这个前所未有的时代，同时最终也可以从其人工智能投资中看到全部价值。
