@[toc]

MLOps : 机器学习运维

产生背景

因为存在如下的背景，所以才有了 MLOps 的需求

第一，跨团队协作难度大。机器学习项目生命周期中涉及业务、数据、算法、研发、运维等多团队，团队间缺乏相同的技术和业务背景知识作为协作基础，从而带来沟通屏障。

第二，过程和资产管理欠缺。模型生产过程无标准化管理，导致AI资产的价值无法有效发挥，原因在于：一是生产过程冗长难管理，AI模型生产过程涉及的环境、流程复杂，
各部门习惯于小作坊的生产模式，重复造轮子现象普遍；二是AI资产无集中共享机制，组织内数据、特征、模型等碎片化AI资产无法共享使用，优秀实践经验难以沉淀。

第三，生产和交付周期长。机器学习模型生产和交付是一个漫长、复杂又易出错的过程，且耗费的时间成本较高。据Algorithmia报告显示，38％的企业花费超过50％的时间在模型部署上。

MLOpos 做了什么事情

1、MLOps通过连接模型构建团队、业务团队及运维团队，为机器学习模型全生命周期建设标准化、自动化、可持续改进的过程管理体系
2、使组织规模化、高质量、高效率、可持续地生产机器学习模型

MLOpos 是解决 AI 生产国产中的管理问题