什么是MLOps？对于AI开发有什么影响吗？

畅是wo唯一 · 发表于 2023-7-23 18:18:34

王为民1 · 发表于 2023-7-23 18:19:20

在过去的几年中，机器学习和人工智能的兴起引发了企业和组织中对于数据的不断追求，以期能够找到更好的决策解决方案。然而，许多组织和企业都遇到了一个通用问题：如何在生产环境中管理机器学习模型和应用？MLOps应运而生，是一种新兴的工程实践方法，用于管理和部署机器学习（ML）模型。这个回答将介绍MLOps的概念，其主要组成部分，以及对于AI开发的影响。
一、什么是MLOps？
MLOps是将DevOps方法应用于机器学习模型的实践，旨在提高模型在生产环境中的效率和准确性。它将DevOps实践方法和技术与机器学习工作流程和架构相结合，以管理和部署机器学习模型。MLOps注重数据管理，确保数据质量、可用性和合规性，以便于构建有效的机器学习模型。MLOps包括数据准备、训练、部署和监控等环节，需要一整套专业的技能和流程。
二、MLOps包括多个方面
数据管理是收集、清洗、标记和存储数据的流程，确保数据的质量、可用性和合规性。模型管理则是确保模型的可靠性、有效性和可维护性，包括模型的选择、训练、部署和监控等环节。实验管理则是机器学习项目中至关重要的一环，它涵盖了实验的设计、记录、执行和跟踪，以及如何处理异常和错误的实验结果。通过良好的实验管理，可以更好地理解模型的性能，推动模型的迭代和改进，并最终实现更好的模型效果。
持续集成/部署是软件开发流程，帮助团队更快交付高质量软件。代码频繁合并到共享代码库中，自动化工具构建、测试和部署应用程序。这可加速发现和解决问题、提高软件质量，并更好满足客户需求。
监控和反馈也对机器学习项目至关重要，帮助了解模型实时性能、发现弱点和瓶颈，并及时修正和优化。监控和反馈包括模型性能监测、数据质量检查、用户反馈分析。通过收集预测结果、比对真实结果、检查数据集错误和异常值、分析用户行为数据等方法，可以了解模型的性能和用户需求，进行优化和改进。
三、MLOps对AI开发的影响
随着人工智能技术的快速发展，越来越多的企业开始将人工智能技术应用于实际业务中，以提高效率和效益。然而，人工智能技术的开发和应用却面临着许多难题，如模型迭代和部署速度缓慢、模型在生产环境中稳定性不足等。为了解决这些问题，MLOps应运而生。
MLOps是一种将DevOps的原则和方法应用于机器学习模型开发和运维的方法论。它通过系统化的方法，将模型开发、训练、测试、部署、监控等环节进行有机的整合和协作，从而提高AI模型的效率、稳定性和可靠性，具有以下三方面的影响。
首先，MLOps解决了AI模型在生产环境中的难题。传统上，在实际应用中，AI模型的效果和稳定性常常与模型在训练阶段的表现不同，这给模型的部署和运维带来了极大的困难。而MLOps通过将模型开发、测试、部署等环节整合起来，建立一套完整的模型生命周期管理体系，实现了对模型在生产环境中的全面监控和反馈，从而大大提高了模型在实际应用中的效果和稳定性。
其次，MLOps加速了AI模型迭代和部署的速度。传统上，AI模型的开发和部署需要耗费大量的时间和人力资源。而MLOps通过使用自动化工具和流程，将模型开发和部署过程中的重复性工作自动化，从而加速了模型迭代和部署的速度，提高了团队的生产效率。
并且，MLOps提高了AI模型的稳定性和可靠性。在传统的模型开发和部署过程中，模型的稳定性和可靠性常常无法得到保障，这会导致模型在生产环境中出现问题。而MLOps通过持续监控和反馈，及时发现并解决模型中的问题，从而提高了模型的稳定性和可靠性。
四、MLOps服务能力旗舰级评测
MLOps服务能力旗舰级评测是国内首个对AI模型工程化应用进行权威评测的项目。在这次评测中，信通院考察了AI模型的开发、训练、调优、上线等多个环节。这个评测项目可以说是对MLOps的一个全面考察，因为在实际的应用中，MLOps需要解决许多的问题。评测的结果，可以为企业提供一个参考，从而更好地选择合适的服务商。
在此次评测中，百度智能云被首家评为达到“旗舰级”的服务商。这说明百度智能云在AI模型工程化应用方面技术实力和服务能力还是非常领先的，
对于企业来说，选择一家合适的MLOps服务商是至关重要的。而这次评测的结果，可以为企业提供参考，帮助企业选择最适合自己需求的服务商。此次评测结果充分证明了百度智能云在AI模型工程化应用方面的技术实力和服务能力，进一步提升了企业对其的信任度和认可度。
总的来说，MLOps服务能力旗舰级评测的开展，为AI模型工程化应用提供了参考，也为企业选择合适的服务商提供了指导。对于百度智能云来说，获得“旗舰级”服务商的称号，是对其技术实力和服务能力的肯定MLOps的推广和应用，为AI模型在生产环境中的部署和管理提供了更好的解决方案，也为AI的发展提供了新的动力。
五、AI大底座的优势
在AI技术的迅速发展和广泛应用的背景下，企业对于AI模型的工程化应用和管理变得越来越重视。百度智能云作为一家AI技术和服务的领先企业，提供了一站式AI开发全流程解决方案，即AI大底座。AI大底座能够提供全面、高效、稳定的服务，帮助企业实现AI模型在产业中的应用和商业化。AI大底座是指以昆仑芯、飞桨深度学习框架、文心大模型和AI应用四层架构为核心，构建起来的技术基础设施。下面从芯片、框架、模型、AI应用四个方面来分别介绍AI大底座的优势。
1. 昆仑芯。昆仑芯是百度推出的AI芯片，是国内首款云端AI芯片，被誉为“中国AI芯片的里程碑”。它具有低功耗、高性能等特点，能够有效地支撑AI算法的运行。昆仑芯与其他AI芯片相比，具有更高的性能和更低的功耗，适合用于AI训练和推理场景。同时，昆仑芯还具有极高的计算密度，单芯片上最多可以集成1024个AI加速器核心，能够实现更高效的计算，满足更高的算法需求。
2. 飞桨深度学习框架。飞桨深度学习框架是百度推出的深度学习开发平台，是国内首款全面开源的深度学习框架。飞桨深度学习框架具有易于使用、高效、灵活等特点，支持多种语言和多种平台，可以方便地实现不同场景下的AI算法开发和优化。此外，飞桨深度学习框架还支持多种算法和模型，包括计算机视觉、自然语言处理、语音识别等，可以广泛应用于不同领域。
3. 文心大模型。文心大模型是百度推出的超大规模语言模型，是目前全球最大的中文自然语言处理模型，其参数量达到了100亿级别。文心大模型具有更强的语义理解能力和更高的自然语言处理精度，能够快速地对自然语言文本进行分析和处理。文心大模型可以应用于多种场景，例如问答、翻译、语音识别等，可以大幅提升AI算法的精度和效果。
4. AI应用。AI应用是AI大底座的最上层，是AI技术在实际场景中的应用。百度AI应用覆盖了多个领域，包括医疗、金融、零售等，提供了丰富的AI解决方案。百度AI应用具有智能、高效、安全等特点，可以为企业提供更为个性化和高效的服务。例如，百度AI在医疗领域应用，可以通过分析医疗图像和数据，实现疾病诊断、治疗规划等功能，可以帮助医疗行业提升服务水平和效率，减少人工操作的瑕疵和误差。
六、深入产业的赋能案例
国家电网和邮储银行都是在百度智能云的协助下，通过深度融合人工智能技术实现了企业数字化转型。
国家电网是全球最大的电力公司之一，其与百度智能云的合作不仅仅是应用人工智能技术到电力行业，更是将人工智能技术深度融合到电力行业的各个业务领域，实现了全流程的智能处理能力。百度智能云基于AI大底座的能力帮国网福建建设AI中台，构建了AI电力关键业务数据的全链条智能处理能力，为国家电网输电、变电、配电、调度、营销和安全监察等领域提供了可靠的技术支持。该方案已帮助国网福建电力提高了识别准确率30%、识别效率5倍、变电端效率40-60倍，并缩短了启动送电时间80%。此外，百度智能云还通过对通用大模型和具体到场景中模型的再训练，促进了不同省市之间的数据交流，提高了大模型的泛化能力。
邮储银行是国内领先的银行机构之一，为了推进业务智能化转型，邮储银行与百度智能云合作，共同开发了“邮储大脑”企业级人工智能平台。该平台集成了多种深度学习框架和模型，通过构建统一的风险模型实验室，确保风险模型建模全过程可追溯、可复制、可审计，满足风控模型管理和监管要求。平台已在多家分行试点使用，并将持续推广至更多省级分行进行部署应用，为邮储银行在风控、运营、营销等领域的业务智能化转型提供支撑。通过邮储大脑平台，邮储银行实现了对风险的自主管理，提高了客户服务水平和运营效率，实现了精益化管理，为业务智能化转型奠定了坚实的基础。
七、百度智能云和 AI 大底座
AI技术的快速发展已经成为各行业发展的重要驱动力，为企业和社会带来了巨大的变革和创新。然而，要想将AI技术真正落地，工程化是不可或缺的因素。在这一背景下，智能云作为行业内的佼佼者，一直在探索如何将AI模型工程化应用于各行业。智能云旗下的AI大底座就是这一方面的代表性产品，为企业提供了全流程的AI技术解决方案。
AI大底座作为智能云技术领域内的核心产品之一，集成了各种AI技术和工具，可以为企业提供从数据采集、处理、特征工程到模型训练、推理和部署等全方位的服务。这一服务可以让企业更便捷地实现自己的AI应用落地，大幅提高企业的效率和竞争力。
智能云的MLOps服务能力也是其优势之一，这一服务能够为客户提供从数据清洗、特征工程、模型训练到部署上线的全套解决方案。其中，智能云的AutoDL自动学习平台更是实现了端到端的自动化模型训练和部署，可以减少人工干预和误操作带来的风险，大幅提高开发效率。
作为百度智能云的核心能力之一，AI大底座已经在多个行业领域得到了广泛的应用和验证。在智慧城市、智慧医疗、智慧制造等领域，AI大底座的技术优势和应用价值也得到了充分的体现。例如，在智慧医疗领域，AI大底座的医疗影像诊断能力已经广泛应用于肺部CT影像分析、乳腺癌筛查等项目中，大大提高了医疗影像分析的准确性和效率。
百度智能云凭借其MLOps服务能力、AI大底座的核心优势以及以客户为中心的服务理念，为企业AI开发提供了全流程的解决方案和支持。这一服务能够帮助企业降低开发成本、提高开发效率，助力企业实现数字化转型和升级，进一步推动AI技术的应用和发展。

无言一一传说 · 发表于 2023-7-23 18:19:57

这几个月最火的AI应用是什么？如果ChatGPT排第二，应该没有其他应用敢排第一。它能传播这么广就是因为文字交互这种最直接的方式既有用又有趣，它几乎可以处理任何形式的文字形式的内容，比如让它写诗，写代码，甚至可以扮演一个知心大哥/大姐陪你聊天。
其实这一切的背后都是由LLM（Large Language Model）大型语言模型驱动的，而大语言模型本质上就是经常会在各种媒体上看到的深度神经网络，那为什么这次会引起这么大的轰动，原因有两个大：第一个大是模型大，它有1750亿个参数，光参数都超过700G；第二个就是训练数据集大，基本上互联网上能找到的数据他们都抓出来去训练了。
让人意料不到的是，大力真的能出奇迹！它真的可以解决大多数的语言类问题，并且效果还不错。

当然，世界范围内的AI研究机构和高校也都在研究大模型，只不过ChatGPT确实是先走通了这条路。对于之后的模型也算是趟过了雷。比如百度即将发布文心一言模型，据传闻该模型的参数比ChatGPT还要大。按理说，在Text-to-Text的能力上应该更甚一筹。更重要的是，文心一言是我国自己的大模型，在弥补LLM这类大模型在我国的缺口方面具有极其积极的意义。
大模型大是大，全也够全，但并不够精

同时，在我使用了ChatGPT超过3个月后，甚至我还为此花了20美元开通了会员，我发现ChatGPT对于中文的理解能力要远远弱于英文，归根结底是因为如果按语言来分的话，中文占比可能不到百分之一。
这也造成了同样的问题，ChatGPT可以理解英文，但对中文理解能力很差，所以有一个对于中文更友好的自己的生成式ai产品比如说文心一言，其实对于绝大多数的中文用户来说还是意义重大的。
除了理解语言的这个特性，我也发现了它在某些「专精」利于里面的缺陷，比如说计算机一些比较小众的领域，它的回答或者说编写的代码都存在根本性的错误。提这一点是因为，计算机和编程方面基本上可以算是ChatGPT这类大模型非常强的领域了，因为它的训练数据集中包含了大量的这方面知识，但即使是这样，仍旧不尽如人意。
同理可以知道，在其他领域，这类型问题会更严重。这就引出了一个问题，那就是对于那些需要AI能力的企业，他们想要直接应用大模型风险太大。

但是反过来说，如果要做一套从数据处理，数据标注，模型训练，模型微调等等的整套流程，对于绝大多数的公司成本上来说也太高。
其实这也是之前AI不能全面铺开的原因，就是AI太学术化了，而想要推广，就必须结合工程化的思想，把AI工程化，也就是MLOps （Machine Learning Operations），这样做的好处是显而易见的，以性价比最高的方式获得AI的加成。
端对端的AI全流程技术到底有何优势？

实际上，对于提供端到端AI全流程的供应商来说，这也非常有好处，因为在与不同的客户对接时，他们的流程也在不断优化和扩容。比如这次与安保领域的合作，下次遇到类似的功能需求时，他们已经积累了经验并能够立即跟进。这与AI的训练逻辑是相同的——在数据量充足且不断更新的前提下，模型会不断进行优化，性能也会不断提升。
这就不得不提到百度AI大底座，它做的就是这么一套端对端的AI全流程模型。我们就拿一个机器学习来举例，就比如我们需要设计一个识别动物的应用，如果要从头做起的话，那就需要下面的每一步，并且每一步都包含了很多细节要求。

之前的AI研究大多在搞算法建模这一步，也就是假设数据是收集好的，也都精心的清洗过，可以直接拿来用，至于后面的模型评估和应用也不是开发算法需要管的。
这样做的后果就是-脱节。特别是在实际应用中，每一步其实都充满了各种坑，而前面走不通的话后面就无从谈起，这就是现实中AI无法大范围铺开的底层原因。

从百度AI这个大底座的结构图来看，最底层是数据，包含了general和domain，也就是通用数据和领域知识。上面一层就是各种硬件系统，主要提供算力；接着就是AI中台，也就是PaaS， platform as a software，起到类似于中间调度的作用，最上面一层就包含了文心一言的这类型大模型了。

这样的大模型好处是显而易见的，它自身就是一个巨大的预训练模型，打个比方，这就是一个掌握了扎实数理化基础的大学毕业生。
如果是电力系统的用人单位招过去，那么这个大学毕业生可以在比较短的时间内掌握需要的技能，这得益于他已有的知识和学习能力。
放到用户的角度上来说也是好处多多，第一个就是降本增效，自己降低成本的同时，还可以利用AI加强自己的业务能力；第二个就是跟AI进行同步提升，因为AI模型牛就牛在优质数据越多，它的性能越好，这套大模型会在使用过程中越用越顺畅。
这套流程这么好为什么以前没有？

这就跟武侠小说中群龙无首有点相似了，在以前大家都在竞争，你有一套标准，我也有一套标准，因此各个门派大家互相不兼容，这就导致了摩擦长期存在，而现在这套标准体系被制定出来了。
中国信息通信研究院联合几十家优秀企业开展了MLOps系列标准编制工作，其中我们耳熟能详的公司都有参与，比如百度，阿里，腾讯等等，也可见其权威程度。
MLOps标准是人工智能研发运营一体化能力成熟度标准，通过标准级别越高，证明一体化能力越成熟。
百度智能云企业AI开发平台参与了MLOps开发管理服务能力评测。评测结果显示该开发平台在需求管理、数据工程和模型开发三个模块均达到了旗舰级水平，在以下方面表现出色：

功能上：百度AI中台具有完善的需求和代码管理流程，AI模型生产过程具备多种建模方式，全面管理底层计算资源和模型，并在数据方面提供功能丰富的管理平台和质检能力。
服务过程上：百度AI中台在组织结构、流程管理和管理工具方面服务水平较高，能够快速而高质地响应外部企业客户的需求。

除此之外，我们也可以从那个大底座的图中看到，昆仑芯，飞桨以及文心大模型，每一层都有百度自己的独创技术存在，其实也可以这么说，这套大模型的关键技术都是自己把持的，换句话说，独立性换来更高的可靠性。
最后，在实际应用中，像ChatGPT和文心一言这样的生成式AI应用需要与各行各业结合，才能真正实现落地。这时，百度AI大底座这样的AI中台调度就发挥了极其重要的作用，通过提供端到端的解决方案，向企业AI开发提供全流程的支持，实现AI的产业化应用。
值得一提的是，百度智能云在MLOps方面的技术含量达到了国内领先水平。这代表着，百度智能云AI中台在AI开发的服务能力和管理能力均达到旗舰级水平，可以为文心一言快速产业化落地提供全方位的支持。
总之，AI技术的普及离不开端到端的全流程支持以及AI技术与软件工程的有机结合，而百度AI大底座则是实现这一目标的有力保障。

nicole可可 · 发表于 2023-7-23 18:20:07

MLOps，其实就是提供相对优化的工程实践，是人与机器，算法与硬件之间的交互整合，是一系列优化的做法组成的规模化、全周期、可靠、高效的生产线，最终目的是为了更简便地实现算法部署、调试和运行维护。

大部分（包括我自己）对于机器学习、人工智能，都还停留在小打小闹的阶段。手里真有张 4090 显卡的都是少数，真正自己组过双卡、四卡、八块平台的就更少了。比如知乎上就还有人问：两套不同的操作系统如何共用一张显卡？
更不要说有过实验室 A100 经验；再往大了说，给你 8 卡，100 卡，你会用吗？会并行调度吗？真金白银租来的算力能使用充分吗？
普通人装个 Python，配个环境变量，调个依赖版本都一堆问题，时间都浪费在细枝末节上了。

所以我觉得，我们距离 OpenAI 的 ChatGPT，缺的不仅仅是算法、模型、数据、算力，缺的还有成熟的 MLOps。

这就犹如打仗，即便现在，兵强马壮，粮草充足，但是我们有没有一个良将？有没有一套稳定运行的上传下达的工作体制机制？
这些工程实践，都是要一步一步踩过坑，才会懂得怎么做到最优部署的。这是一个全方位整合的工作，既需要有人搞研究，也需要有人懂工程实践。MLOps 就是这样的一套标准，或者基于这样的标准搭建的基础平台或者服务。

https://ml-ops.org/content/motivation

毕竟，模型训练不是一蹴而就的，要针对模型的结果，不断地优化，调试，喂新数据，拿新结果，这就要求我们的工作流是稳定持续运转的，才能真正做到高效，否则，模型在等参数，算力在等数据，设备在费电空转，我们追赶的脚步和效率也会差很远。
所以我们需要积累更多的 best practice，甚至积攒一些 trick 和技巧，然后整合在一起，形成团队自己的工作流；或者由一些算力平台，提供经过验证优化的稳定部署场景。
以上。

快乐的壮壮 · 发表于 2023-7-23 18:20:53

聊这个题目之前先说说最近的AI热，目前美国有一个调研报告，受访的企业50%的都已经开始使用ChatGPT。

但实际上AI落地并不容易实现，面对的问题无非就是：

AI工具使用门槛高。
AI开发流程长且复杂，行业没有标准规范。
自己的基础设施不完善。
内部应用场景挖掘难，不到位。
人才稀缺。

因此对于AI这项领域，想要把ChatGPT或者文心一言这些强力的AI工具应用到自己的行业，甚至是自己项目的具体流程中，往往选择找靠谱的供应商；那么作为需求方想要选择一个拥有AI技术实力的供应方，其必须拥有2个标准。
1是在AI基础设施方面的建设和开发必须非常的扎实，可以为我们提供端到端的解决方案级别。
2是智能云服务平台必须通过中国信息通信研究院带头制定的MLOps标准评测。
按照我们国内AI企业能力来说,可以直接拿百度举例，百度智能云最近通过了信通院MLOps服务能力旗舰级评测。
那么先跟所有关注这事情的人科普一下，MLOps到底是什么？
MLOps全称Machine Learning Operations，是人工智能产业界的一项权威评测，由中国信息通信研究院联合几十家优秀企业一起制定的标准，非常权威；核心就是制定你的AI开发标准，评测你的AI研发和运营的整体效能,是否能够让企业更加便捷的用AI解决实际业务场景问题,最终完成数智化转型.
举个栗子就是电影界有奥斯卡，设计界有红点，自动驾驶竞争力评测有Guidehouse Insights（原Navigant Research），AI技术行业作为一个需要深度研发，开发，应用的重点技术领域，对我们国家而言至关重要，因此就有了MLOps。
那么回到我们的问题里，什么是AI基础设施？承担了什么职能？
这个概念放到百度方面就叫做【AI大底座】。

【AI大底座】内部包含了AI专用芯片昆仑芯，深度学习框架飞桨，开发模型的文心大模型等高门槛的一整套AI基础体系。
这就好像你想做一份PPT，你首先先需要一台电脑，电脑里面有CPU，主板，显卡，电源，硬盘，而且每一样东西承担的职责各自不同，AI自然也是这样。
AI底层技术从来不是独立单一存在的，而是通过通用化，模块化，进而实现AI服务的规模化，AI基础设施越是扎实，你的企业在用云的时候所花费的时间成本就越少，你不需要自己组装你的“电脑”，而是像用水电一样直接按需取用。
那么可能会有细心的小伙伴提出问题：为什么我们企业不能自己打造自己的AI基础设施呢?
因为成本大啊,不仅研发成本是非常巨额的水平,很多企业在AI研发上耗费了很多年，投入了百亿千亿级别金额，此外自己打造的基础设施如果是拼凑组合的，也很难发挥出最佳的性能和效率，企业协作在当代是如同呼吸一样稀疏平常的事情，不如把专业的事情交给专业的企业做。
综上，AI基础设施的水平是评判标准的重要一环。
那么第二点，我们再接着聊MLOps。
这个MLOps到底是解决了什么问题？跟这个AI落地到底有关系吗?
有，关系可太大了。
举个简单的例子，我是一个传统企业老板，忽然有一天你说要弄AI，你丢给我EasyDL、BML等这样的AI开发工具，告诉我要搞什么数据采集，模型训练，还得构思自己的应用场景，这根本不可能。
MLOps就解决了其中高门槛，找应用场景以及开发的问题。在中国信通院形成的人工智能研发运营一体化（Model/MLOps）能力成熟度模型系列标准中有7个部分，目前它分别拥有开发管理和模型交付2个标准，一个是面用应用方： MLOps应用成熟度评测，一个是面向产品方：MLOps服务能力评测。
比如百度智能云通过的MLOps服务能力评测就证明了2点：

百度AI中台(AI大底座中的飞桨和文心大模型)在功能上具有完善的需求和代码管理流程，AI模型生产过程不仅可视化，自动化，工业化，对底层计算资源具有完备高效的管理模式，对模型具有全面的管理能力，对数据具有功能丰富的管理平台和质检能力。
百度AI中台在服务过程上，从组织结构到流程管理，再到管理工具方面，均具有较高的服务水平，能够为外部企业客户的需求提供较为快速和较高质量的响应。

你作用需求方，不知道哪里需要人工智能，要先做客户内部的技术能力教育，再收集部门需求，现在你不用了，百度提供的MLOps平台，可以让你基于这套工具和平台构思想要的场景和预期效果。
MLOps就是AI工程化的最佳实践，是一套方法论。它能帮到企业提升AI研发和运营的整体效能，让企业更加便捷的使用AI去解决实际业务场景的问题，实现数智化转型。
那么基于上面这些，AI技术在产业落地层面就得到了保障。
现在，头部AI公司对于MLOps都非常重视，类似微软谷歌也推出了和百度类似的MLOps能力。在国发然理服务能力评测就意味着其内，通过MLOps开发管理服务能力评测，同时也意味着百度智能云服务能力、AI开发管理能力上达到达到国内卓越级水平。这项标准在面向产品方目前一共有3个等级，百度通过了最高级，因此国内几乎同一起跑线的情况下，百度是非常领先的。
我们希望未来可以进一步完善标准，完善平台功能，把国内的MLOps上下游生态建立起来，这样类似chatGPT、文心一言的落地层面，是不需要担心的。

弦月的弧度 · 发表于 2023-7-23 18:21:10

　　名词设置的都高端，mlops，简单来说（简单你也听不懂），就是以业务为核心，把模型管理模型学习和模型探索的过程统一管理，实现数据科技与业务生产的有机结合。
　　怎么样，听懂了吗？我知道除了专业学习的人，大部分人可能都跟我一样一头雾水，实际上就是自动化机器人部署生产线的过程，比如说你要部署一个大货车气罐子的生产线，用的是进口的德国西门子机器人，你怎样让这个新来的机器完美的匹配到本公司的生产特色，怎样让他适应一些文化水平不高的车间领导们别出心裁的管理方式，这些都需要你去取数据，选算法，定模型，调参数，最后适应你独一无二的生产模式。这样你就能在高陵地区找到一份月薪6000以上的技术生产工作。
　　这个没什么用的小知识是我哥们儿告诉我的，他就是那个文化水平不高的车间领导。

		自动登录	找回密码
密码			立即注册

什么是MLOps？对于AI开发有什么影响吗？

本帖子中包含更多资源

本帖子中包含更多资源

本帖子中包含更多资源