中国基金报记者 文夕
AI概念持续发酵，市场迎来“接棒者”。
近日，市场关于MLOps（人工智能研发运营一体化）概念讨论明显增多。对于AI细分赛道MLOps，其旨在帮助AI团队更有效地开发、部署和维护机器学习模型，MLOps其也被视为AI领域“掘金铲子”。
在业内看来，随着AI行业在海内外的高速发展，MLOps的市场规模将从2022年的11亿美元增长到2027年的59亿美元，未来的市场规模将呈高速增长的态势。在国内市场上，已有多家上市公司公开表示布局这一赛道。
市场资金也已向这一赛道靠拢。在4月4日的二级市场上，包括绿盟科技、宇信科技均涨逾12%，而启明信息也一度涨停。
解决AI模型痛点？
近日，市场关于MLOps的讨论日渐增多。所谓MLOps，是指完成AI模型开发和落地的一套工具包，从数据采集和处理-模型接入-模型开发-模型部署和应用-监控和运维，MLOps提供一整套对应AI全生命周期的工具和服务。
换言之，MLOps是通过构建和运行机器学习流水线项目研发（Dev）和运营（Ops）过程的一种方法，目的是为了提高AI模型生产质效，推动AI从满足基本需求的能用变为满足高效率、高性能的“好用”。其作为AI基础设施之一，能有效缓解AI生产过程的各种管理问题，提升AI生产的转化效率。
据Gartner调查显示，只有53%的项目能够从AI原型转化为生产。AI生产转化率低的主要原因在于模型全链路生命周期管理存在问题，包括跨团队协作难度大、过程和资产管理欠缺、生产和交付周期长等。
具体来看，第一，跨团队协作难度大。机器学习项目生命周期中涉及业务、数据、算法、研发、运维等多团队，团队间缺乏相同的技术和业务背景知识作为协作基础，从而带来沟通屏障。
第二是，过程和资产管理欠缺。模型生产过程无标准化管理，导致AI资产的价值无法有效发挥，原因在于：一是生产过程冗长难管理，AI模型生产过程涉及的环境、流程复杂，各部门习惯于小作坊的生产模式，重复造轮子现象普遍；二是AI资产无集中共享机制，组织内数据、特征、模型等碎片化AI资产无法共享使用，优秀实践经验难以沉淀。
第三，生产和交付周期长。机器学习模型生产和交付是一个漫长、复杂又易出错的过程，且耗费的时间成本较高。据Algorithmia报告显示，38%的企业花费超过50%的时间在模型部署上。
中国通信院3月发布的《人工智能研发运营体系（MLOps）实践指南（2023年）》也显示，目前AI生产过程管理问题凸显。
该指南认为，MLOps通过连接模型构建团队、业务团队及运维团队，为机器学习模型全生命周期建设标准化、自动化、可持续改进的过程管理体系，使组织规模化、高质量、高效率、可持续地生产机器学习模型。MLOps能有效缓解AI生产过程的各种管理问题，提升AI生产的转化效率。
