AI新风向狂飙，MLOps概念成新焦点！一文读懂MLOps概念（附股）|人工智能_新浪财经

摘要：人工智能浪潮继续涌动，新方向MLOps概念领涨两市，成为新焦点。MLOps是人工智能生产力“加速器”，能够提升效率。本文详细解析了MLOps定义、框架、发展历史和现状，文末梳理了MLOps概念股。预计阅读时长3分钟。

话说，风云动荡的A股2023年出现了神奇的一幕！

股票分为两类：人工智能股；非人工智能股。

据说，有位基金经理发圈：“听人工智能路演，刚上线还没开始讲话，卖方和买方研究员先笑了一分钟。”

小研姐能够想象的到，那压抑不住的内心激动，那洋溢的灿烂笑容，不是过节，胜似过节，这是很多乘坐人工智能东风的人状态。

人工智能东风下，又有一个细分方向火了—MLOps概念，这是啥？为何还能多飞一会？有哪些公司涉及这个概念？我们今天一起了解下。

1、MLOps是什么？

MLOps是指机器学习开发运维一体化，包含项目设计、模型开发、模型运维三大步骤，将业务、数据、算法和运维融合一起，主要作用是构建可通用、可复用的模型生产流水线。可以理解为人工智能生产力加速器。

机器学习的生命周期全流程非常复杂，并且耗时间长，只有将部署的模型和现有业务充分融合起来，才能真正发挥效用。而实际运用中，业务与模型经常脱节，存在很多的问题，比如工具的碎片化、数据样本缺乏，集成开发环境缺失、行业知识短板、团队之间缺乏协同等。

为了改善甚至消除以上问题，MLOps应运而生，实施MLOps可以更好的衔接模型开发运维全流程，打造自动化、可重复的工作流，从而提升开发运行效率，加速机器学习的周期。

总结来说，MLOps主要有四大作用：

① 缩短模型开发部署的迭代周期；

② 使业务、数据、算法、运维各个角色高效协作；

③ 促进模型生产与管理流程自动化、标准化；

④ 提升模型交付效率与质量，深化模型管理。

数据来源：艾瑞咨询研究院

一般来说，MLOps需要遵循的原则包括自动化、持续性、版本化、可监控、可测试、可追溯、可复现、可协作等。

2、MLOps发展现状

自2015年发展至今，MLOps在国内外得到了广泛应用，在多个行业取得了实质性效果。整体来看，发展历程主要分为三个阶段：

（1）斟酌发酵期：2015年-2017年

2015年，Google发布的一篇论文首次提出机器学习项目技术债问题，标志着机器学习高效落地问题被明确提出和正式，也催生了产业界形成系统化的方法论和规范化的管理流程，解决技术债问题的强烈需求。

（2）概念明确阶段：2018年-2019年

2018年业内逐渐开始密集讨论大规模生产中机器学习生命周期集成化管理的重要性，MLOps这一概念被提出并逐步接受。

（3）落地应用阶段（2020年—至今）

自2020年以来，人工智能大规模快速落地，布局MLOps工具的需求日益迫切。2021年Gartner将包括MLOps在内的XOps列为2021年十大数据和分析技术趋势之一。

目前，MLOps市场蓬勃发展，在IT、金融、电信等行业得到广泛应用和落地。根据情报和市场研究平台研究报告预测，MLOps市场规模将从2022年的11亿美元增长到2027年的59亿美元。

国外市场，落地广泛，效果显著，应用行业涉及到IT、金融、电子商务、制造、化工和医疗行业等。

国内市场，MLOps处于规划和建设前期，落地探索成效初显。尤其是近3年，国内各行业开始探索契合自身特点的MLOps落地解决方案，具体行业中，IT、金融和电信行业凭借其数字化程度高的优势处于相对领先地位，其他行业进展稍慢。

① IT行业

IT行业凭借数据方面优势，最早介入MLOps。如百度、华为、阿里、京东等，关注机器学习项目全生命周期的优化和改进，应用效果明显，百度通过应用MLOps使得开发周期缩短54%，测试周期缩短67%，所投入的人天数缩减57%。

② 金融行业

应用场景丰富，主要聚焦于模型生产、模型管理、模型安全、模型风险等方面，通过MLOps，某家银行将模型上线周期从周缩短至天，将模型部署时间从小时级缩短至秒级。

③ 电信行业

电信行业用户数量巨大，运营监控是行业中关注的重点之一。某电信运营商应用MLOps建立模型运营监控体系，实现模型持续训练，节省人力300人天/年，成本降低80%。

3、MLOps框架体系

机器学习项目以需求、数据、代码、算法为输入，以模型、模型服务为输出，其生命周期主要包括定义问题、数据收集、数据处理、模型训练、模型评估、模型部署等过程。

数据来源：中国信息通信研究院

MLOps围绕持续集成、持续部署、持续监控和持续训练，构建和维护机器学习流水线，并通过流水线的衔接形成全生命周期闭环体系。

基于MLOps框架的机器学习项目生命周期通常包括需求设计、开发、交付和运营四个阶段，细分为需求管理、数据工程、模型开发、模型交付、模型运营等过程。

数据来源：中国信息通信研究院

典型的MLOps流程框架包含需求分析与开发、数据工程流水线、模型试验工程流水线、持续集成流水线、模型训练流水线、模型服务流水线、持续监控流水线七个部分。

4、MLOps概念股梳理

宇信科技：AIOps-学件管理中心是MLOps的一种在运维领域的实践，可以推广到更多的AI领域，并通过该能力实现产品和技术的变现。

绿盟科技：公司参与编写中国信通院《人工智能研发运营体系（MLOps）实践指南（2023年）》。

启明信息：公司基于云原生的MLOps敏捷AI平台，帮助数据科学家和开发人员快速准备、构建、训练和部署高质量的AI模型。

传音控股：公司智慧云平台提高三方服务快速接入和智慧分发能力，完成端侧AI相关的MLOps平台服务建设。

科大国创：国创九章数据智能平台以MLOps理念构建AI开发敏捷流水线，赋能行业客户端到端的业务建模。

万达信息（维权）：公司参编的团体标准《人工智能研发运营一体化（Model/MLOps）能力成熟度模型第一部分：开发管理》（AIIA/P 0008-2022）、《人工智能研发运营一体化（Model/MLOps）能力成熟度模型第二部分：模型交付》（AIIA/P 0009-2022）已经于2022年正式发布。

星环科技-U：Sophon MLOps通过统一纳管多源异构的算法框架、模型文件和模型服务，同时通过规范化的集成管理，统一部署大规模机器学习模型，并且提供实时监控模型服务的运行状态。

重点提示：任何逻辑，均需要结合大市和板块的走势选择介入、退出的时机。现在基金经理对人工智能的态度很纠结。有人调侃说：“不买人工智能，就是等死，追买人工智能，可能是找死。横竖都是死，倒不如富贵险中求!”

这是一个段子，但可见大家已经意识到人工智能追高风险。小研姐也提示大家注意风险，一将功成的背后是万骨枯，本文仅作为概念知识学习，不构成推荐。