中國信通院：2023年人工智慧研發運營體系（MLOps）實踐指南（附下載）

報告下載：新增199IT微信公眾號【i199it】，回覆關鍵詞【2023年人工智慧研發運營體系實踐指南】即可下載

指南從組織如何佈局和落地MLOps的角度出發，以模型的高質量、可持續交付作為核心邏輯，系統性梳理MLOps概念內涵、發展過程、落地挑戰，為組織高效構建MLOps框架體系和關鍵能力提供方法論和實踐案例的參考與借鑑，並研判MLOps未來發展趨勢。

指南核心觀點

1. MLOps概念漸晰，為解決AI生產過程管理問題意義明顯。MLOps是透過構建和執行機器學習流水線（Pipeline），統一機器學習（ML）專案研發（Dev）和運營（Ops）過程的一種方法，目的是為了提高AI模型生產質效，推動AI從滿足基本需求的“能用”變為滿足高效率、高效能的“好用”，有效化解模型全鏈路生命週期管理存在問題，包括跨團隊協作難度大、過程和資產管理欠缺、生產和交付週期長等。

2. 國內外MLOps發展百花齊放，落地仍面臨問題和挑戰。2015年至今，從業界意識到機器學習專案技術債給AI生產上線帶來的潛在巨大影響伊始，MLOps前後經歷了斟酌發酵、概念明確、落地應用三大階段，且隨著新工具不斷湧現，在IT、金融、電信等行業得到了廣泛應用和落地。但在這個漸進式發展過程中，MLOps落地面臨著諸多挑戰，包括組織落地驅動力不足、支撐工具選型難整合難、模型治理和可通道阻且長、環境間的互動難以平衡等。

3. 圍繞流水線的構建，MLOps框架體系逐步完善。基於機器學習專案全生命週期，以CI/CD/CT/CM為核心，透過構建各條機器學習流水線，包含需求分析與開發、資料工程流水線、模型實驗工程流水線、持續整合流水線、模型訓練流水線、模型服務流水線、持續監控流水線，MLOps全生命週期閉環框架逐步完善。

4. 漸進式建設關鍵能力，MLOps落地效應逐步形成。透過資料處理、模型訓練、構建繼承、模型服務、運營監控、模型重訓、實驗管理和流水線管理等能力的建設，形成MLOps過程管理能力的全面把控。透過特徵管理、模型管理和倉庫管理等能力的建設，形成製品管理能力的提升。同時以模型安全作為AI生產過程中的關鍵保障之一，MLOps落地效應日益凸顯。