大多數(shù)組織認識到機器學習（ML）的變革優(yōu)勢，并且已經(jīng)采取措施實施它。但是，在生產(chǎn)中部署ML模型和大規(guī)模操作它們時，他們?nèi)匀幻媾R一些挑戰(zhàn)。
這些挑戰(zhàn)源于大多數(shù)企業(yè)ML工作流缺乏通常與軟件工程相關(guān)的標準化流程這一事實。答案是統(tǒng)稱為MLOps（機器學習操作）的一組標準實踐。MLOps為ML生命周期帶來了標準化，幫助企業(yè)從試驗轉(zhuǎn)向大規(guī)模ML部署。
在最近的一項研究中，F(xiàn)orrester發(fā)現(xiàn)98％的IT領(lǐng)導者相信MLOps將為其公司帶來競爭優(yōu)勢并提高盈利能力。但是只有6％的人認為他們的MLOps功能已經(jīng)成熟或非常成熟。
那么，為什么差距懸殊？
很少有公司具有圍繞ML模型開發(fā)和部署的健壯且可操作的流程。這不一定是由于缺乏嘗試或認可而引起的，這并非易事。
希望繼續(xù)使用ML來改善其業(yè)務流程或提供新客戶體驗的組織面臨著持續(xù)而重大的挑戰(zhàn)：
· IT運營團隊無法掌握ML
· 關(guān)鍵MLOps功能缺乏能力
· 機器學習開發(fā)和運營團隊之間的協(xié)作不足
· 缺乏凝聚力，高效的技術(shù)工具鏈
· 跨團隊位置（云和本地部署）分布的數(shù)據(jù)的安全性和控制
企業(yè)如何克服這些挑戰(zhàn)并從人工智能（AI）和機器學習中受益？在企業(yè)級實施ML并部署更多ML用例的關(guān)鍵操作步驟是什么？
根據(jù)HPE/Forrester論文的發(fā)現(xiàn)，運營是一個分為四個步驟的過程。
· 發(fā)現(xiàn)并執(zhí)行高優(yōu)先級，高投資回報率的機器學習用例，這些用例可以迅速揭示工作成果。就是說，確保用例在技術(shù)上可行并具有影響力對于為機器學習的實施奠定基礎(chǔ)至關(guān)重要。
· 建立合適的AI團隊。真空操作的數(shù)據(jù)科學家不會給任何組織成功所需的動力。盡管毫無疑問，數(shù)據(jù)科學家無疑是構(gòu)建ML模型的專家，包括IT團隊，業(yè)務分析師，項目經(jīng)理，設(shè)計師和AI團隊中的AI團隊，他們將提供更廣闊的視野并幫助緩解最后的部署問題。
· 分析影響整個ML生命周期的現(xiàn)有硬件，軟件，安全性，數(shù)據(jù)訪問和控制。確定哪里存在差距，效率低下，不足以及可能阻礙機器學習進度的潛在領(lǐng)域。
· 投資于既能解決分析中發(fā)現(xiàn)的問題，又能簡化部署，維護和控制的工具，技術(shù)和流程。
HPE提供的解決方案可幫助企業(yè)成功實現(xiàn)ML。HPE Ezmeral ML Ops是一種軟件解決方案，為機器學習生命周期的每個階段提供支持，為ML工作流帶來類似于DevOps的速度和敏捷性。
HPE Ezmeral ML Ops利用容器和Kubernetes支持整個ML生命周期。它為容器化數(shù)據(jù)科學環(huán)境提供了使用任何開放源代碼或第三方數(shù)據(jù)科學工具進行模型開發(fā)的能力，并且可以輕松地通過一鍵式模型將其部署到內(nèi)部或云中的可擴展容器化端點。數(shù)據(jù)科學家受益于一個單一的平臺，可以跨任何基礎(chǔ)架構(gòu)平臺監(jiān)視和部署所有數(shù)據(jù)科學應用程序。更重要的是，企業(yè)可以快速運行機器學習模型，并加快其機器學習計劃的價值實現(xiàn)時間，從而獲得競爭優(yōu)勢。
（免責聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準確性及可靠性，但不保證有關(guān)資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網(wǎng)站對有關(guān)資料所引致的錯誤、不確或遺漏，概不負任何法律責任。
任何單位或個人認為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權(quán)或存在不實內(nèi)容時，應及時向本網(wǎng)站提出書面權(quán)利通知或不實情況說明，并提供身份證明、權(quán)屬證明及詳細侵權(quán)或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關(guān)文章源頭核實，溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。 ）
