将人工智能嵌入到企业中以充分利用其商业价值需要从定制构建转向工业化人工智能工厂。 MLOps 可以提供帮助，但首席执行官必须提供便利。
如果一家公司根据每个订单从头开始构建其产品的每个组件，而没有任何标准化或一致的零件、流程和质量保证协议，该怎么办？ 任何首席执行官都有可能将这种做法视为阻碍规模经济和引入不可接受水平风险的重大危险信号，并会寻求立即解决该问题。
然而，每天都有许多组织在进行人工智能 (AI) 和分析的开发和管理，从而使自己处于巨大的竞争劣势。 由于分散在企业中的团队经常从头开始工作，手动工作，而没有企业机制来有效、一致地部署和监控实时人工智能模型的性能，因此会带来巨大的风险和低效率。
最终，为了让人工智能对公司的利润做出巨大贡献，组织必须在整个组织范围内扩展该技术，将其融入核心业务流程、工作流程和客户旅程中，以优化日常决策和运营。 实现如此规模需要高效的人工智能生产线，每个人工智能团队都可以快速生产出数十个可用于比赛的、符合风险的、可靠的模型。 我们的研究表明，采用这种方法的公司更有可能实现规模和价值，其中一些公司通过使用人工智能，在利用 9 万亿美元的资金时，其息税前利润 (EBIT) 增加了 20%。 该技术提供的经济价值潜力高达 15 万亿美元。
首席执行官们经常认识到他们在围绕扩展人工智能所需的文化变革、思维方式转变和基于领域的方法提供战略推动方面的作用，但我们发现很少有人认识到他们在为组织构建、部署和管理制定战略愿景方面的作用 具有如此速度和效率的人工智能应用程序。 发挥这一积极作用的第一步是了解所涉及的价值以及正确的技术和实践的可能性。 如今常见的高度定制且充满风险的人工智能应用方法在一定程度上是十年前的数据科学实践的结果，在几乎没有（如果有的话）现成的人工智能平台、自动化工具或构建块的时代，这是必要的 可以将它们组合起来创建模型和分析应用程序，但从业者没有简单的方法来共享工作。 近年来，人工智能工具和技术的巨大改进极大地改变了人工智能工作流程，加快了人工智能应用程序的生命周期，并实现了跨业务领域的人工智能的一致和可靠的扩展。 一流的工作方式框架通常称为 MLOps（“机器学习操作”的缩写），现在可以使组织能够利用这些进步并创建一个标准的、全公司范围的人工智能“工厂”，能够实现 规模。
在本文中，我们将帮助首席执行官了解这些工具和实践如何结合在一起，并确定他们可以使用的正确杠杆来支持和促进人工智能领导者将这些实践和技术牢固地落实到位。
人工智能的门槛不断提高
组织能够对人工智能和广泛分析采取严格的实验方法、追求分散的试点和在孤岛中构建的少数不同的人工智能系统的日子已经一去不复返了。 在人工智能的早期，该技术的商业效益并不明显，因此组织聘请数据科学家来探索可能性的艺术，而很少关注创建可以每天 24 小时可靠运行的稳定模型。 由于不专注于大规模实现人工智能，数据科学家在笔记本电脑上创建了“影子”IT 环境，使用他们喜欢的工具从头开始构建自定义模型，并为每个模型准备不同的数据。 他们搁置了许多支持规模的工程任务，例如构建所有模型都可以可靠开发和轻松运行的关键基础设施。
如今，市场力量和消费者需求已经不允许出现这种低效率的情况。 认识到人工智能价值的组织已迅速从探索该技术的用途转向大规模利用该技术以实现最大价值。 利用该技术的科技巨头继续颠覆传统行业并获得市场份额。 此外，消费者对个性化、无缝体验的期望持续上升，因为他们对越来越多的人工智能驱动的交互感到高兴。
值得庆幸的是，随着人工智能的成熟，旨在推动其大规模成功的角色、流程和技术也随之成熟。 数据工程师和机器学习工程师等专业角色的出现，为实现规模化提供了至关重要的技能。 快速扩展的技术和服务堆栈使团队能够从手动和以开发为中心的方法转变为更加自动化、模块化且适合解决整个人工智能生命周期（从管理传入数据到监控和修复实时应用程序）的方法。 初创技术公司和开源解决方案现在提供从将自然语言转换为代码的产品到自动化模型监控功能的一切。 云提供商现在将 MLOps 工具作为本机服务纳入其平台中。 Netflix 和 Airbnb 等科技巨头在优化人工智能工作流程方面投入了大量资金，他们通过开发者社区分享了他们的工作成果，使企业能够将经过验证的工作流程整合在一起。
除了这种稳定的创新之外，MLOps 已成为将这些平台、工具、服务和角色与正确的团队运营模型和标准相结合的蓝图，以可靠且大规模地交付人工智能。 MLOps 借鉴了称为 DevOps 的现有软件工程最佳实践，许多技术公司认为它能够更快地交付更强大、更符合风险的软件，从而为客户提供新的价值。 MLOps 准备在人工智能领域做同样的事情，通过扩展 DevOps 来解决人工智能的独特特征，例如人工智能输出的概率性质以及技术对底层数据的依赖。 MLOps 标准化、优化和自动化流程，消除返工，并确保每个 AI 团队成员专注于他们最擅长的事情（如图）。
由于 MLOps 相对较新且仍在不断发展，因此它在 AI 生命周期中所包含内容的定义可能会有所不同。 例如，有些人使用该术语仅指应用于监控运行模型的实践和技术。 其他人则认为这只是将新模型转移到实际环境中所需的步骤。 我们发现，当实践涵盖整个人工智能生命周期（数据管理、模型开发和部署以及实时模型操作）并得到合适的人员、流程和技术的支持时，它可以极大地提高公司实现目标的门槛 。
