正文摘要:
AI概念持续发酵，市场迎来“接棒者”。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。近日，市场关于MLOps的讨论日渐增多。事实上，MLOps被视为是AI掘金时代的“铲子”，从模型到生产应用，MLOps助力AI模型落地生花。又一AI概念“MLOps”横空出世究竟是怎么一回事，跟随小编一起看看吧。
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。
人工智能产业发展联盟AIIA也表示，AI工程化是AI大规模发展的必经之路，AI要成为企业的生产力，就必须以工程化的技术来解决模型开发、训练、预测等全链路生命周期的问题，从而实现模型的规模化生产，而MLOps就是AI工程化的重要助推器。
中金公司近日研报指出，AI大规模生产中存在由于流程、管理不当造成的效率低、周期长等问题影响实际落地，MLOps是为解决上述问题、通过统一ML研发和运营过程实现提质增效的一套工程管理方法论和工具链，赋能AI模型全生命周期的各个流程。
上市公司布局 股价启动上涨
事实上，MLOps被视为是AI掘金时代的“铲子”，从模型到生产应用，MLOps助力AI模型落地生花。
据了解，当前在国外，MLOps落地广泛、效果显著，其主要应用于组织内部的服务运营、产品或服务开发、营销、风险预测及供应链管理等场景，应用行业涉及IT、金融、电子商务、制造、化工和医疗行业等。
中国通信院报告显示，以IT行业为例，应用MLOps后，美国一家IT公司将开发和部署新AI服务的时间缩短到原来的1/12到1/6，运营成本降低50%；德国一家IT公司，通过自动化编排和实验跟踪，以相同的工作量运行10倍的实验数量；以色列IT公司实验复现时间减少50%；美国一家出行科技公司三年内机器学习产品数量从零扩展到数百个。
根据Marketsand markets数据显示，全球MLOps市场处于快速发展阶段，预计将从2022年的11亿美元增长到2027年的59亿美元，CAGR超过40%。
目前MLOps厂商主要分为专项工具和平台型产品两类，海外MLOps生态庞杂，细分赛道参与者众多。Weights&Biases、Tecton、OctoML等初创公司均获得了数亿美元的融资。
国内方面，MLOps处于规划和建设前期。据IDC预测，到2024年60%的中国企业将通过MLOps来运作其机器学习工作流程。近年来，国内各行业开始探索契合自身特点的MLOps落地解决方案，在数智化转型热潮中，IT、金融和电信等数字化程度较高的行业处于相对领先地位，其他行业进展稍缓。
在国内上市公司中，已经不乏参与者切入赛道。其中，万达信息近期透露，公司此前参编的《人工智能研发运营一体化（Model/MLOps）能力成熟度模型第一部分：开发管理》、《人工智能研发运营一体化（Model/MLOps）能力成熟度模型 第二部分：模型交付》已经于2022年正式发布。
而启明信息方面也表示，该公司基于云原生开发了MLOps敏捷AI平台，帮助开发人员快速准备、构建、训练和部署高质量的AI模型，降低AI的成本，帮助企业AI进入工业化阶段。
此外，绿盟科技近期也官宣，该公司参与编写中国信通院《人工智能研发运营体系（MLOps）实践指南（2023年）》。
在二级市场上，MLOps概念被视为AI细分赛道，已经受到资金追捧。绿盟科技和宇信科技股价在4日涨逾12%，而启明信息在3日封板后，4日一度冲击涨停。而星环科技-U自3月初以来，股价涨幅已达75%。
编辑：小茉
审核：木鱼
又一AI概念“MLOps”横空出世相关阅读：
科大国创：大模型服务和监管核心标，解决大模型产业化最后一公里
①随着未来大模型形态开始往多模态形式发展，印证大语言模型能力可延伸至 NLP 外领域。但具Gartner 调查发现，只有 53%的项目能从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，因此MLOps技术应运而生，此项技术是通过构建和运行机器学习流水线，统一机器学习项目研发和运营过程的一种方法，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”，帮助开发人员更容易地构建、训练和部署机器学习模型。
②公司源自中国科学技术大学，是国内领先的数据智能研发和应用的高科技企业。公司旗下的国创九章数据智能平台以数据采集和存储、算力资源调度、算法开发训练为基础，构建了大数据和AI模型能力的在线工厂和开放集市，科大国创原创的自主创新三大技术底座，以国创天演 PAAS 平台为基础、国创九章 AI 平台为核心、国创高可信平台为保障，为数智化转型进程加速，为各行各业的应用注入数据智能，实现普惠AI。
③公司长期专注于数据智能技术的研发和应用，基于电信运营商客服、网络和运营调度等场景数据，应用BERT、GPT等预训练技术，整合网络知识、工单数据和客服对话数据等领域知识，构建应用于行业场景的多模态语义理解模型，公司自主研发了智能客服系统。该系统将AIGC、知识计算等技术与业务话术结合，进行语义理解与意图识别，智能自动生成交互内容，并已在电信运营商领域实现应用。
④此外，公司基于知识计算的意图识别相关技术，将多模态的感知数据与领域知识融合进行协同计算，从而实现机器对用户意图的精准识别，实现更智能化的人机交互以及AI监管。国创HCS平台以程序缺陷分析和程序正确性验证为核心，以关键算法和核心程序的验证为主线，通过提供形式化规范语言描述程序功能、采用演绎推理产生演算规则和利用定理证明进行自动验证的手段，实现高可信软件智能验证，市值目标对标云从科技，目前整体估值水平仍然较低，建议重点关注
