“未来，随着机器学习等模型的普遍化应用，模型治理的重要性越发凸显，ModelOps 将成为数据智能系统开发运行过程的标配。”——北京九章云极科技有限公司董事长方磊博士。
时值 ModelOps 峥嵘初现，九章云极DataCanvas联合全球知名市场数据及科技研究平台 CB Insights 中国发布《2021 年 ModelOps 技术应用及趋势白皮书》。
报告指出，随着企业对模型治理的重视程度提高，ModelOps 这一高效赋能、科学治理的方式将逐渐普及，成为企业 AI 管理模型“标配”。
溯源：要开发更要治理，ModelOps 应时而生
作为新一轮产业变革的核心驱动力，AI 技术在近年来不断发展。数字化转型浪潮的席卷之下，企业纷纷加大 AI 投入，开发、部署的模型数量不断激增。
然而，在数字化转型的过程中，“重开发、轻治理”的风气使得模型的开发、部署不连贯，技术应用的“最后一公里”难以推进，逐渐成为企业无法忽视的一环。
这一大环境下，ModelOps（Model Operations）应运而生，这种科学的模型全生命周期治理框架，是 DevOps 及 MLOps 的扩展，将模型的全生命周期梳理为流程化、标准化的闭环，通过持续监控及验证以不断训练模型，达到生产优化的效果，弥补了模型科学治理方式的缺失。
图丨ModelOps 与相关概念关系厘定（来源：CB Insights 中国）
技术：集流程化、监控、可视化等多功能一体，助力企业模型全生命周期科学治理
ModelOps 平台是数据科学和软件工程的结合产物，集成多种技术，从全局角度打通模型需求、开发、验证、审批、投产到应用以及下线的全流程。
白皮书从解析 ModelOps 平台中的核心技术出发，详细解释了 ModelOps 平台的核心功能，以及这些功能如何帮助企业科学治理模型。
图丨ModelOps 平台建设与治理目标（来源：CB Insights 中国）
除了具有提高机器学习、 AI 模型开发和运维效率的功能外，ModelOps 更关注模型资产管理。通过持续监控及可视化手段使模型稳定性、风险始终可控，以赋与企业科学的模型全生命周期治理能力。其核心功能实现如下：
图丨ModelOps 平台架构及核心功能实现（来源：九章云极DataCanvas、CB Insights 中国）
应用：初现峥嵘，将实现对更多行业的覆盖
白皮书以工业场景和金融场景为例，剖析 ModelOps 如何在特定场景中助力企业实现模型科学治理、提高 AI 应用效率。同时，也指出 ModelOps 落地时面对的挑战、影响应用差异化的关键因素。
在工业等数字化进程相对早期的场景中，ModelOps 重于以有限的数据资源对企业赋能机器学习（比如在设备预测与健康管理中，以 AI 替代人工进行高效准确的实时预测）。
图丨ModelOps 在工业智能场景中的作用流程（来源：CB Insights 中国）
在金融服务等数字化程度相对领先的场景中，更重于开发态和运营态的打通以及之后的模型风险的治理（Model Risk Management，MRM）。
图丨九章云极 ModelOps 银行解决方案架构（来源：九章云极DataCanvas、CB Insights 中国）
受制于数据安全焦虑等因素，ModelOps 的应用目前仍处在探索的早期阶段。未来，随着 ModelOps 的交互设计更友好、兼容程度升高，企业管理者对模型治理的认识、理解更深，ModelOps 将实现对更多行业的覆盖。
展望：高维智能降低 AI 技术使用门槛
从模型算法设计到决策系统应用，AI 技术发展重心正悄然转移。 在 ModelOps 框架下，科学的模型治理不仅使企业的 AI 计划更易从模型算法设计走向生产决策系统应用，实现规模化效应，也使 AI 拥有部分能动性，逐渐走向自治化——“以 AI 治理 AI”变为可能。
自治化意味着更高维智能的实现，AI 的使用门槛更低。未来，ModelOps 持续监控、流程化、标准化、可复用的模型全生命周期治理框架将带动 AI 治理方式更迭。ModelOps 将有望成为企业 AI 治理的“标配”。
本文由 DataCanvas 投稿至 数据分析网 并经编辑发表，内容观点不代表本站立场，如转载请联系原作者，本文链接：https://www.afenxi.com/111709.html 。
