IT 领导者和专业人员应如何着手选择和交付交付人工智能和机器学习的传奇奇迹所需的技术？ AI 和 ML 需要在正确的位置有许多活动部件，朝着正确的方向前进，以兑现这些技术带来的承诺——生态系统、数据、平台，最后但并非最不重要的是人。
有没有办法让 IT 领导者在 AI 和 ML 方面积极主动，而不会激怒那些希望明天早上交付 AI 和 ML 奇迹的人的组织？ 答案是肯定的。
麻省理工学院斯隆管理评论和 SAS 最近的一份报告的作者提倡一种相对较新的方法来成功完成向企业交付 AI 和 ML，称为“ModelOps”。 虽然现在有很多“xOps”进入我们的词典，例如 MLOps 或 AIOps，但 ModelOps 更像是“思维模式，而不是一组特定的工具或流程，专注于所有类型的 AI 和决策模型的有效操作。”
这是因为在 AI 和 ML 中，模型是问题的核心，是决定算法组装并确保持续业务价值的机制。 ModelOps 是 :model operationalization 的缩写，“专注于模型生命周期和治理；旨在加快从开发到部署的过程——在这种情况下，将 AI 模型从数据科学实验室快速有效地转移到 IT 组织 尽可能。”
报告中引用了 SAS、英国和爱尔兰的数据科学主管 Iain Brown 的话说，在实施 AI 和 ML 方面，“很多都依赖于 IT”。 “你有数据科学家正在构建伟大的创新事物。但除非他们可以部署在现有的生态系统或基础设施中——通常涉及 IT——否则这样做是没有意义的。数据科学社区和人工智能团队应该 与 IT 和业务密切合作，成为连接两者的渠道，因此对所面临的问题有一个清晰的想法和定义，一条清晰的生产路线。否则，您将遇到脱节的流程和问题 创造价值。”
MIT-SAS 报告指出，ModelOps 是一种帮助 IT 领导弥合分析和生产团队之间差距的方法，使人工智能和 ML 驱动的生命周期“可重复和可持续”。 它比 MLOps 或 AIOps 高出一步，后者“分别更侧重于机器学习和 AI 操作化”，ModelOps 侧重于预测分析模型的交付和可持续性，这是 AI 和 ML 对业务的价值的核心。 ModelOps 可以发挥作用，该报告的作者继续说道，“因为没有它，您的 AI 项目更有可能完全失败或花费的时间比您希望的启动时间长。只有大约一半的模型能够投入生产，并且 在那些这样做的人中，大约 90% 需要三个月或更长时间才能部署。”
使用 ModelOps 来管理 AI 和 ML 需要 IT 领导者和专业人员将业务价值方程式的四个关键要素结合在一起，正如报告作者所概述的那样。
生态系统：如今，每一项成功的技术努力都需要连通性和网络能力。 报告指出：“一个 AI 就绪的生态系统应该尽可能开放。”这样的生态系统不会自然进化。 任何希望成功使用生态系统的公司都必须开发下一代集成架构来支持它，并强制执行外部各方可以轻松采用的开放标准。”
数据：了解哪些数据对工作很重要。 “验证其在培训和生产中的可用性。标记和标记数据以备将来使用，即使您还不确定该用途可能是什么。随着时间的推移，您将创建一个企业清单，以帮助未来的项目运行得更快。”
平台：灵活性和模块化——根据环境变化更换部件的能力——是关键。 该报告的作者提倡购买而不是构建，因为许多供应商已经制定了构建和部署 AI 和 ML 模型的细节。 “确定你的云战略。你会全力以赴与一个云服务提供商合作吗？或者你会为不同的计划使用不同的 CSP 吗？或者你会采用混合方法，一些工作负载在本地运行，一些工作负载与 CSP 一起运行？：一些 主要的 CSP 通常提供的不仅仅是可扩展性和存储空间，例如提供工具和库来帮助构建算法并协助将模型部署到生产中。”
人员：协作是成功交付 AI 和 ML 的关键，但同样重要的是人们对项目中他们的部分有主人翁意识。 “谁拥有 AI 软件和硬件 – AI 团队或 IT 团队，或两者兼而有之？这是你获得需要明确定义、清楚理解和协调的组织边界的地方。” 除了数据科学家之外，对 ModelOps 同样重要的一个群体是数据工程师，他们带来了“在使用分析和商业智能工具、数据库软件和 SQL 数据语言方面的重要专业知识，以及始终如一地产生干净、、 高质量的道德数据。”
