大多數(shù)組織認識到機器學習（ML）的變革優(yōu)勢，并且已經采取措施實施它。但是，在生產中部署ML模型和大規(guī)模操作它們時，他們仍然面臨一些挑戰(zhàn)。

這些挑戰(zhàn)源于大多數(shù)企業(yè)ML工作流缺乏通常與軟件工程相關的標準化流程這一事實。答案是統(tǒng)稱為MLOps（機器學習操作）的一組標準實踐。MLOps為ML生命周期帶來了標準化，幫助企業(yè)從試驗轉向大規(guī)模ML部署。

在最近的一項研究中，F(xiàn)orrester發(fā)現(xiàn)98％的IT領導者相信MLOps將為其公司帶來競爭優(yōu)勢并提高盈利能力。但是只有6％的人認為他們的MLOps功能已經成熟或非常成熟。

那么，為什么差距懸殊？

很少有公司具有圍繞ML模型開發(fā)和部署的健壯且可操作的流程。這不一定是由于缺乏嘗試或認可而引起的，這并非易事。

希望繼續(xù)使用ML來改善其業(yè)務流程或提供新客戶體驗的組織面臨著持續(xù)而重大的挑戰(zhàn)：

· IT運營團隊無法掌握ML

· 關鍵MLOps功能缺乏能力

· 機器學習開發(fā)和運營團隊之間的協(xié)作不足

· 缺乏凝聚力，高效的技術工具鏈

· 跨團隊位置（云和本地部署）分布的數(shù)據(jù)的安全性和控制

企業(yè)如何克服這些挑戰(zhàn)并從人工智能（AI）和機器學習中受益？在企業(yè)級實施ML并部署更多ML用例的關鍵操作步驟是什么？

根據(jù)HPE/Forrester論文的發(fā)現(xiàn)，運營是一個分為四個步驟的過程。

· 發(fā)現(xiàn)并執(zhí)行高優(yōu)先級，高投資回報率的機器學習用例，這些用例可以迅速揭示工作成果。就是說，確保用例在技術上可行并具有影響力對于為機器學習的實施奠定基礎至關重要。

· 建立合適的AI團隊。真空操作的數(shù)據(jù)科學家不會給任何組織成功所需的動力。盡管毫無疑問，數(shù)據(jù)科學家無疑是構建ML模型的專家，包括IT團隊，業(yè)務分析師，項目經理，設計師和AI團隊中的AI團隊，他們將提供更廣闊的視野并幫助緩解最后的部署問題。

· 分析影響整個ML生命周期的現(xiàn)有硬件，軟件，安全性，數(shù)據(jù)訪問和控制。確定哪里存在差距，效率低下，不足以及可能阻礙機器學習進度的潛在領域。

· 投資于既能解決分析中發(fā)現(xiàn)的問題，又能簡化部署，維護和控制的工具，技術和流程。

HPE提供的解決方案可幫助企業(yè)成功實現(xiàn)ML。HPE Ezmeral ML Ops是一種軟件解決方案，為機器學習生命周期的每個階段提供支持，為ML工作流帶來類似于DevOps的速度和敏捷性。

HPE Ezmeral ML Ops利用容器和Kubernetes支持整個ML生命周期。它為容器化數(shù)據(jù)科學環(huán)境提供了使用任何開放源代碼或第三方數(shù)據(jù)科學工具進行模型開發(fā)的能力，并且可以輕松地通過一鍵式模型將其部署到內部或云中的可擴展容器化端點。數(shù)據(jù)科學家受益于一個單一的平臺，可以跨任何基礎架構平臺監(jiān)視和部署所有數(shù)據(jù)科學應用程序。更重要的是，企業(yè)可以快速運行機器學習模型，并加快其機器學習計劃的價值實現(xiàn)時間，從而獲得競爭優(yōu)勢。