MLOps落地開花，AI資產(chǎn)沉淀和治理成為實踐新風向。隨著業(yè)界對人工智能研發(fā)效率、團隊協(xié)作、安全保障等需求進一步提升，整個MLOps產(chǎn)業(yè)實踐呈現(xiàn)出“內(nèi)涵很明確、落地很困難”的現(xiàn)狀。

從技術內(nèi)涵來看， MLOps的核心和要求已明確，即圍繞“一個基礎、兩個關鍵、三個提升”，逐步建設從需求、開發(fā)、交付到模型運營的全生命周期運營管理機制。一個基礎是指持續(xù)交付，通過搭建工廠流水線式的模型生產(chǎn)方式，提高規(guī)�；�生產(chǎn)效率。許多頭部企業(yè)都已開始實踐模式的持續(xù)交付，部分企業(yè)模型研發(fā)效率提升超過40%。兩個關鍵是指持續(xù)訓練和持續(xù)監(jiān)控，通過持續(xù)訓練和持續(xù)監(jiān)控搭建高效閉環(huán)的運營管理體系，提高機器學習可觀察性，保證模型質量，增加賦能效果。

三個提升是指數(shù)據(jù)管理、特征管理、模型管理能力的提升。對數(shù)據(jù)、特征和模型等AI資產(chǎn)加以沉淀、安全管控和風險治理，提升企業(yè)級AI治理能力，已成為MLOps新風向。

從落地現(xiàn)狀來看，持續(xù)交付、持續(xù)訓練、持續(xù)監(jiān)控和模型治理難度依次提升，產(chǎn)業(yè)界當前尚處在提升持續(xù)交付和持續(xù)監(jiān)控能力過程中，模型治理等僅有少量探索，未來仍然是AI工程化的重點方向。 v 此外，MLOps的工具市場持續(xù)火熱，端到端的MLOps一體化工具和細分場景的專項工具都非�；馃�，端到端工具追求大而全的功能集，專項工具在局部或某些場景下功能和性能較好，例如流水線編排、模型監(jiān)控、特征存儲、可觀測等工具，未來MLOps相關工具可能會成為AI軟件市場的重要賽道。