时下，MLOps开发和投资热潮依旧，国内外企业纷纷推出了自有的行业解决方案。

中国信息通信研究院、人工智能关键技术和应用评测工业和信息化部重点实验室在联合发布的《人工智能研发运营体系(MLOps)实践指南(2023年)》中指出，当前AI模型的开发和应用，正面临着跨团队协作难度大、过程和资产管理欠缺、生产和交付周期长三大问题。

因而整体来看，MLOps的意义和价值，是面向人工智能领域AI模型及应用开发，建立团队协作机制，实现敏捷交付过程，在构建全链路反馈闭环的同时，统一管理AI资产。

土豆数据科技集团董事长兼CEO霍向琦认为，早在“小模型”阶段，MLOps理念已实践于AI模型的开发、训练、部署和应用的全流程，提升各环节的协同效率，降低了开发难度和成本。而随着大模型时代的到来，MLOps作为一体化AI工程化方法，促进通用人工智能技术转化为能够解决行业实际痛点的真实生产力。

在霍向琦看来，MLOps所强调的跨部门协作、敏捷开发、高效运维等理念，将落地成为围绕数据标准规范、模型开发训练、部署应用等相关的平台工具集，来支撑通用大模型和行业大模型产品的构建。因而，平台化，以及深度融入MaaS(Model as a Service)体系，是MLOps在大模型发展的浪潮之中，从一种工程方法转变为基础设施和平台工具的重要趋势。

这正如土豆数据面向时空产业所构建的弗雷时空大模型。

弗雷时空大模型由土豆数据在通用大语言模型、视觉大模型、多模态大模型基础上，进一步采集时空产业公开可用的行业知识和数据进行微调训练构建而成，其基于MLOps理念串联时空信息采集、建模、治理、分析、应用及流通等全链路，满足各垂直细分领域有关行业知识问答，内容创作，业务自动化处理，以及细分领域行业大模型微调构建等需求，在降低专业操作门槛、减少劳动密集作业的同时，本质上更让各环节上的技术人员、行业专家和终端用户能够高效协同，将大模型能力、行业知识、想象力和创造力转化为真实生产力，赋能千行百业释放价值。

MLOps从工程化方法向平台工具的沉淀，推动了行业大模型产品的普及研发和应用。在霍向琦看来，AI模型要转化为生产力，应当充分利用MLOps聚焦于数据要素、持续训练、应用场景这三个重要的方向，才能真正构建起端到端的能力优势解决行业需求。

而实现这一目标，霍向琦强调当前仍有很多现实问题亟待关注和改变。

其一，AI大模型应用场景并不明晰且缺乏安全监管，而国内很多行业尚处于数字化转型的建设初期，其中最典型的问题，要属数据资源普遍以不同的行业标准和不同的文件格式分散在跨单位、跨部门的服务器或电脑端中，未能经过统筹治理形成标准统一的数据资产。“数据底座”即数据要素的缺失，难以为行业大模型的训练提供可靠、高质量的数据支撑。

其二，相比小模型针对特定应用场景的轻量化开发训练和部署应用，大模型将更偏向于建设系统级工程，基于MLOps理念和相关工具，必须做好数据工程和模型工程基础，并需要完成与终端用户业务系统的配套改造和对接，从而响应行业大模型持续训练和场景搭建封装等关键任务需求。

霍向琦总结认为，由于大模型的开发应用尚未有成熟的方法论，因而整个过程既需要技术人才下探场景、理解需求，也离不开终端用户对大模型价值和应用场景的准确把握。

免责声明：市场有风险，选择需谨慎！此文仅供参考，不作买卖依据。

责任编辑：kj005