机器学习（ML）带来了传统技术开发并不总会遇到的新挑战。
要让机器学习创造业务价值，就需要企业各部门员工参与机器学习的方法与流程，从而实现有效的机器学习运维（MLOps）。
如果具备自动化技术、工作流程和系统，MLOps 就能帮助企业成长和转型。否则，它可能导致不必要的成本、损害和方向偏差，最终造成糟糕的决策。
如何持续获取有关业务的洞见，从而做出更明智的决策？你可以深入分析数据，也可以让人工智能（AI）和机器学习（ML）代劳。
数据激增、云端存储和计算能力日益便利、机器学习应用不断普及，以及自动化机器学习（AutoML）的兴起，使机器学习模型在组织决策中变得无处不在。但如果这些精心打造的模型无法轻松扩展，以满足组织内每个部门的需求，该怎么办？又或者，已部署的模型因数据模式不断变化而变得过时或失效，又该怎么办？
机器学习算法并非存在于真空之中；更确切地说，它也不应被封闭在企业的孤岛里，只由一群才华横溢的技术专家编写代码、悉心维护。机器学习模型应采用工厂化方法，建立可重复的流程、自动化技术以及适当的制衡机制。这样，机器学习模型才能扩展规模，充分发挥潜力，帮助企业解决现实世界中的问题。
企业目前难以应对这一问题，原因如下：
“等数据”是数据科学领域常见的一句话。在同一家组织内，不同数据科学团队反复花费时间和精力寻找、获取并清理数据。这会造成数百小时的重复劳动，而这些时间原本可以用于探索数据的新用途。
特征工程也是一项耗费精力且需要反复迭代的工作，通常每个新项目都要从头开始，尽管相似的机器学习模型可以复用相似特征，从而节省时间和精力。
模型开发完成后，工作重点便转向训练、测试和部署，每个环节都有各自独特的挑战。与某些其他技术实施不同，机器学习模型不能“部署后就不管”。数据漂移和模型漂移等问题会降低模型输出的效果，甚至使其过时。
想想一年中航空公司机票销售可能会发生什么。夏季行之有效的商业模式，冬季未必奏效。假日期间航班需求激增，而开学期间航空公司可能难以让同样数量的座位满座。需要持续密切关注模型，确保它们不会对收入产生负面影响。
MLOps：换个视角看问题
许多此类挑战都可以通过经过验证的开发模式来解决，只需为这些模式增添一些新举措。MLOps 建立在 DevOps 的核心原则之上，包括自动化、超越一次性使用的部署，以及涵盖集成、测试和发布的流程，还有基础设施运营。仅仅专注于复杂的模型开发还不够。同样重要的是，为流程奠定基础，使其可靠且可重复。应用 MLOps 可以让机器学习模型走出孤岛，融入整个组织，在最能发挥作用的地方得到应用。如果要创造价值，就不能为了开发而开发模型；业务部门必须参与其中并加以使用。
要扩展并持续维护众多模型，需要一支具备广泛专业能力的团队。光谱的一端是数据科学家，他们精通计算机科学、建模、统计学、分析和数学；另一端是领域专家，他们熟悉特定行业、业务职能和最终用户。介于两者之间的是机器学习工程师、云工程师、数据工程师和可视化专家，他们都致力于共同目标：利用数据推动企业转型。
实施 MLOps 需要一种融合技能与流程的团队模式。它将具备多种技能的团队聚集起来，并依靠自动化、工作流程和系统，持续推动影响力。纪律比具体工作更重要。归根结底，你的组织可能拥有数百个模型。
MLOps 的设计还必须着眼于创新与变化，以便迅速响应市场状况。想想疫情如何引发消费者行为的重大转变，以及组织需要如何应对疫情的影响。2020 年，在希腊，一种机器学习算法对从境外入境的旅客进行检测；该算法通过学习哪些旅客更可能检测呈阳性，来分配稀缺的 SARS-CoV-2 检测资源。这不仅显著提高了检测效率，也帮助希腊保持边境开放，同时确保安全。
持续更新的力量
机器学习面临的最大风险，是模型未能持续更新、重新训练和验证。如果做不到这一点，模型就无法充分贴合实际需求，最终也不会创造真正的业务价值。创建适用的机器学习模型是一项端到端工作，需要考虑当前问题的背景、产品的预期用例、模型的决策流程以及产品愿景。
重要的是，成功的 MLOps 将人员、流程、技术和运营模式融为一体，体现了协同共创时代的种种可能。在这个时代，人机通过新一代工具和平台开展协作，预测可能性，并将洞见转化为绩效。这种做法适用于各种场景：从致力于重要药物研发的生命科学公司，到希望改变定价、盈利能力和客户体验的连锁餐饮企业，乃至致力于在疫情期间保护民众的机构。
