摘要：
人工智能浪潮继续涌动，新方向MLOps概念领涨两市，成为
新焦点 。MLOps是人工智能生产力“加速器”，能够提升效率。本文详细解析了MLOps定义、框架、发展历史和现状，文末梳理了MLOps概念股。预计阅读时长3分钟。
话说，风云动荡的A股2023年出现了神奇的一幕！股票分为两类
：人工智能股；非人工智能股。据说，有位基金经理发圈：“听人工智能路演，刚上线还没开始讲话，卖方和买方研究员先笑了一分钟。”
小研姐能够想象的到，那压抑不住的内心激动，那洋溢的灿烂笑容，不是过节，胜似过节，这是很多乘坐人工智能东风的人状态。
人工智能东风下，又有一个细分方向火了—MLOps概念，这是啥？为何还能多飞一会？有哪些公司涉及这个概念？我们今天一起了解下。
1、MLOps是什么？ MLOps是指机器学开发运维一体化，包含项目设计、模型开发、模型运维三大步骤，将业务、数据、算法和运维融合一起，主要作用是构建可通用、可复用的模型生产流水线。
可以理解为人工智能生产力加速器。 机器学的生命周期全流程非常复杂，并且耗时间长，只有将部署的模型和现有业务充分融合起来，才能真正发挥效用。
而实际运用中，业务与模型经常脱节，存在很多的问题，比如工具的碎片化、数据样本缺乏，集成开发环境缺失、行业知识短板、团队之间缺乏协同等。
为了改善甚至消除以上问题，
MLOps应运而生，实施MLOps可以更好的衔接模型开发运维全流程，打造
自动化、可重复的工作流，从而提升开发运行效率，加速机器学的周期。
总结来说，MLOps主要有四大作用：①
缩短模型开发部署的
迭代周期；
② 使业务、数据、算法、运维各个角色
高效协作；
③ 促进模型生产与管理流程
自动化、标准化；
④
提升模型交付
效率与质量，深化模型管理。
数据来源：艾瑞咨询研究院
一般来说，
MLOps 需要遵循的原则包括自动化、持续性、版本化、可监控、可测试、可追溯、可复现、可协作等。
2、
MLOps发展现状 自2015年发展至今，MLOps在国内外得到了广泛应用，在多个行业取得了实质性效果。整体来看，
发展历程主要分为三个阶段：
（1）
斟酌发酵期：2015年-2017年2015年，Google发布的一篇论文
首次提出机器学项目技术债问题，标志着机器学高效落地问题被明确提出和正式，也催生了产业界形成系统化的方法论和规范化的管理流程，解决技术债问题的强烈需求。
（2）
概念明确阶段：2018年-2019年2018年业内逐渐
开始密集讨论大规模生产中机器学生命周期集成化管理的重要性，MLOps这一概念
被提出并逐步接受。（3）
落地应用阶段（2020年—至今）自2020年以来，人工智能大规模快速落地，布局MLOps工具的需求日益迫切。2021年Gartner将包括MLOps在内的XOps列为2021年十
大数据和分析技术趋势之一。
目前，
MLOps市场蓬勃发展，在IT、金融、电信等行业得到广泛应用和落地。根据情报和市场研究平台研究报告预测，MLOps市场规模将从2022年的11亿美元
增长到2027年的59亿美元。
国外市场，落地广泛，效果显著，应用行业涉及到IT、金融、
电子商务、制造、化工和医疗行业等。
国内市场，
MLOps处于规划和建设前期，落地探索成效初显。尤其是近3年，国内各行业开始探索契合自身特点的MLOps落地解决方案，具体行业中，
IT、金融和电信行业凭借其数字化程度高的优势处于相对领先地位，其他行业进展稍慢。
① IT行业IT行业凭借数据方面优势，最早介入MLOps。如
百度 、华为、阿里、
京东 等，关注机器学项目全生命周期的优化和改进，应用效果明显，百度通过应用MLOps使得
开发周期缩短54%，测试周期缩短67%，所投入的人天数缩减57%。② 金融行业应用场景丰富，主要聚焦于模型生产、模型管理、模型安全、模型风险等方面，通过MLOps，某家
银行将模型上线周期从周缩短至天，将模型部署时间从小时级缩短至秒级。
③ 电信行业电信行业用户数量巨大，
运营监控是行业中关注的重点之一。某电信运营商应用MLOps建立模型运营监控体系，实现模型持续训练，节省人力300人天/年，成本降低80%。
3、
MLOps框架体系 机器学项目以需求、数据、代码、算法为输入，以模型、模型服务为输出，其生命周期主要包括定义问题、数据收集、数据处理、模型训练、模型评估、模型部署等过程。
数据来源：中国信息通信研究院
MLOps围绕持续集成、持续部署、持续监控和持续训练，构建和维护机器学流水线，并通过流水线的衔接形成全生命周期闭环体系。
基于MLOps框架的机器学项目生命周期通常包括需求设计、开发、交付和运营四个阶段，细分为需求管理、数据工程、模型开发、模型交付、模型运营等过程。
数据来源：中国信息通信研究院
典型的MLOps流程框架包含需求分析与开发、数据工程流水线、模型试验工程流水线、持续集成流水线、模型训练流水线、模型服务流水线、持续监控流水线七个部分。
4、
MLOps概念股梳理 宇信科技 ：AIOps-学件管理中心是MLOps的一种在运维领域的实践，可以推广到更多的AI领域，并通过该能力实现产品和技术的变现。
绿盟科技 ：公司参与编写中国信通院《人工智能研发运营体系（MLOps）实践指南（2023年）》。
启明信息 ：公司基于云原生的MLOps敏捷AI平台，帮助数据科学家和开发人员快速准备、构建、训练和部署高质量的AI模型。
传音控股 ：公司智慧云平台提高三方服务快速接入和智慧分发能力，完成端侧AI相关的MLOps平台服务建设。
科大国创 ：国创九章数据智能平台以MLOps理念构建AI开发敏捷流水线，赋能行业客户端到端的业务建模。
万达信息 ：公司参编的团体标准《人工智能研发运营一体化（Model/MLOps）能力成熟度模型 第一部分：开发管理》（AIIA/P 0008-2022）、《人工智能研发运营一体化（Model/MLOps）能力成熟度模型 第二部分：模型交付》（AIIA/P 0009-2022）已经于2022年正式发布。
星环科技-U ：Sophon MLOps通过统一纳管多源异构的算法框架、模型文件和模型服务，同时通过规范化的集成管理，统一部署大规模机器学模型，并且提供实时监控模型服务的运行状态。
重点提示：任何逻辑，均需要结合大市和板块的走势选择介入、退出的时机。现在基金经理对人工智能的态度很纠结。有人调侃说：“不买人工智能，就是等死，追买人工智能，可能是找死。横竖都是死，倒不如富贵险中求!”
这是一个段子，但可见大家已经意识到人工智能追高风险。
小研姐也提示大家注意风险，一将功成的背后是万骨枯，本文仅作为概念知识学，不构成推荐。
捉妖神记zysj
4
评论(2)
收藏
展开
