大多数组织认识到机器学习(ML)的变革优势，并且已经采取措施实施它。但是，在生产中部署ML模型和大规模操作它们时，他们仍然面临一些挑战。

这些挑战源于大多数企业ML工作流缺乏通常与软件工程相关的标准化流程这一事实。答案是统称为MLOps(机器学习操作)的一组标准实践。MLOps为ML生命周期带来了标准化，帮助企业从试验转向大规模ML部署。

在最近的一项研究中，Forrester发现98%的IT领导者相信MLOps将为其公司带来竞争优势并提高盈利能力。但是只有6%的人认为他们的MLOps功能已经成熟或非常成熟。

那么，为什么差距悬殊?

很少有公司具有围绕ML模型开发和部署的健壮且可操作的流程。这不一定是由于缺乏尝试或认可而引起的，这并非易事。

希望继续使用ML来改善其业务流程或提供新客户体验的组织面临着持续而重大的挑战：

IT运营团队无法掌握ML

关键MLOps功能缺乏能力

机器学习开发和运营团队之间的协作不足

缺乏凝聚力，高效的技术工具链

跨团队位置(云和本地部署)分布的数据的安全性和控制

企业如何克服这些挑战并从人工智能(AI)和机器学习中受益?在企业级实施ML并部署更多ML用例的关键操作步骤是什么?

根据HPE/Forrester论文的发现，运营是一个分为四个步骤的过程。

发现并执行高优先级，高投资回报率的机器学习用例，这些用例可以迅速揭示工作成果。就是说，确保用例在技术上可行并具有影响力对于为机器学习的实施奠定基础至关重要。

建立合适的AI团队。真空操作的数据科学家不会给任何组织成功所需的动力。尽管毫无疑问，数据科学家无疑是构建ML模型的专家，包括IT团队，业务分析师，项目经理，设计师和AI团队中的AI团队，他们将提供更广阔的视野并帮助缓解最后的部署问题。

分析影响整个ML生命周期的现有硬件，软件，安全性，数据访问和控制。确定哪里存在差距，效率低下，不足以及可能阻碍机器学习进度的潜在领域。

投资于既能解决分析中发现的问题，又能简化部署，维护和控制的工具，技术和流程。

HPE提供的解决方案可帮助企业成功实现ML。HPE Ezmeral ML Ops是一种软件解决方案，为机器学习生命周期的每个阶段提供支持，为ML工作流带来类似于DevOps的速度和敏捷性。

HPE Ezmeral ML Ops利用容器和Kubernetes支持整个ML生命周期。它为容器化数据科学环境提供了使用任何开放源代码或第三方数据科学工具进行模型开发的能力，并且可以轻松地通过一键式模型将其部署到内部或云中的可扩展容器化端点。数据科学家受益于一个单一的平台，可以跨任何基础架构平台监视和部署所有数据科学应用程序。更重要的是，企业可以快速运行机器学习模型，并加快其机器学习计划的价值实现时间，从而获得竞争优势。

责任编辑：kj005