MLOps

Artificial Intelligence (AI) Strategy

Vidhi Chugh

AI strategist and ethicist

运营化

将先进的 AI 模型融入日常业务运营。

代码与数据的版本控制

• 实验会产生多份代码版本

• 通过版本控制系统维护

• 数据版本

• 新数据或新特征

可移植性

• ML 项目的环境
  • 训练
  • 验证
  • 生产

 

• 全生命周期保持一致

  • 库
  • 框架
  • 版本

 

思考的最佳时机！

• 管理不同版本与依赖

• 关注即时业务价值

• 可扩展性与架构事后考虑

• 临时做法会带来挑战

数据管理自动化

• 重新准备训练数据的工作量
• 错误、变更或更新
• 自动化数据管理以保障质量
• 质量检查与告警

为何需要自动化

• 人工干预 = 延迟
  • 模型性能下降
  • 误差分析
  • 纠正措施

 

• 已耗费大量时间
• 预测不准确
• 负面影响

代码重构

 

 

• 缺少关键工程最佳实践

 

• 需要重构初始代码
  • 风险显著
  • 原始逻辑被误解或失真

高效架构的特征

 

• 可靠的系统需要投入
• MLOps = 流程标准化与自动化流水线

 

• 自动化：
  • 可复用模块：数据产品、代码
  • 自动化测试框架
  • 降低重构风险

 

高效架构的特征

 

 

• Docker 将模型与环境打包

• 更少人工干预 = 更高效的生命周期

• 维持模型性能具有挑战

 

• 用 MLOps 监控模型
  • 模型搁置率降低 30%
  • 价值提升 60%

Ayo berlatih!

Artificial Intelligence (AI) Strategy