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