【51CTO.com快譯】根據(jù)調(diào)研機構(gòu)Forrester Research公司最近發(fā)布的一份調(diào)查報告，機器學習(ML)對于企業(yè)的業(yè)務獲得成功至關(guān)重要。98%的IT領導者認為，機器學習運維(MLOps)將為自己的公司帶來決定性的競爭優(yōu)勢。但是，只有6%的公司認為其機器學習運維(MLOps)功能已經(jīng)很成熟，并且可以從中受益。

[[355522]]

機器學習(ML)和機器學習運維(MLOps)到底是什么?

為了找到答案，先從術(shù)語的定義開始。機器學習(ML)是一種可以在不需要人工干預的情況下從數(shù)據(jù)中學習的人工智能。致力獲得成功的企業(yè)正在使用機器學習(ML)來優(yōu)化其業(yè)務的各個方面：提高員工生產(chǎn)率、提高客戶滿意度，以及增加收入。

雖然數(shù)據(jù)量在過去幾年中幾乎呈指數(shù)級增長，但使用機器學習(ML)組織和分析數(shù)據(jù)的能力卻明顯滯后。這成為了一個挑戰(zhàn)。而面臨的一個更大的挑戰(zhàn)是將機器學習(ML)模型運用到生產(chǎn)環(huán)境中，使應用程序變得更加智能。Forrester公司在調(diào)查中發(fā)現(xiàn)，只有14%的受訪者將機器學習(ML)模型運用到可重復且可靠的生產(chǎn)環(huán)境過程中。

許多企業(yè)正在采取的一種方法是采用機器學習運維(MLOps)。機器學習運維(MLOps)是數(shù)據(jù)科學家和運營團隊在機器學習生命周期中進行協(xié)作和通信的實踐。在許多方面，機器學習運維(MLOps)正在努力獲得與DevOps在敏捷軟件開發(fā)中實現(xiàn)的機器學習生產(chǎn)率、效率和質(zhì)量優(yōu)勢。

只采用機器學習運維(MLOps)并不能解決企業(yè)嘗試實施機器學習(ML)所面臨的問題。而這是第一步，也是重要的一步，但還需要更多工作。成功采用機器學習(ML)能力的企業(yè)已經(jīng)通過關(guān)鍵流程、工具和持續(xù)改進實踐來加強機器學習運維(MLOps)。其中一些實踐聽起來很熟悉，因為它們直接來自工業(yè)制造行業(yè)中的經(jīng)驗和教訓。

精益制造的6個精髓

50多年來，全球制造企業(yè)一直采用六西格碼和精益制造技術(shù)來解決質(zhì)量問題。如今，很多企業(yè)正在使用其中一些技術(shù)來從其數(shù)據(jù)中創(chuàng)造價值，并在本質(zhì)上正在成為信息化工廠。

(1)自動化(Jidoka)

自動化在現(xiàn)代生產(chǎn)工程中起到至關(guān)重要的作用——提高產(chǎn)品質(zhì)量、生產(chǎn)率和吞吐量。Jidoka這一日語術(shù)語描述的是具有人類智能的自動化，使機器設備和操作人員能夠在發(fā)現(xiàn)問題時停止工作，然后立即解決問題，而不必等到生產(chǎn)線停止運行或生產(chǎn)結(jié)束。

自動化(Jidoka)的概念可以為分析生產(chǎn)線做同樣的事情。具有自動化(Jidoka)功能的自助服務可以為機器學習(ML)流程中涉及的每個角色提供基礎設施、工具和數(shù)據(jù)需求。這種類型的自動化可以提高效率并確保符合標準。其結(jié)果是，不再浪費時間等待訪問合適的環(huán)境或嘗試配置從互聯(lián)網(wǎng)下載的新工具。機器學習過程的每個階段都可以自動調(diào)度，從而使整個系統(tǒng)可預測且高效。

(2)工具(Tooling)

工具在現(xiàn)代生產(chǎn)設備中起著基礎性的作用。明智地使用工具可以幫助實現(xiàn)規(guī)?；Ｋ梢詼p少所需的員工技能，同時提高質(zhì)量，縮短實現(xiàn)價值的時間，提高生產(chǎn)率和速度。

如今的信息工廠需要一系列工具來適應每個角色，并滿足生產(chǎn)的每個階段的需求。隨著新的、更具挑戰(zhàn)性的業(yè)務問題得到解決，將需要新的工具。這就引出了信息化工廠的下一個基本要素：研發(fā)實驗室。

(3)研發(fā)實驗室(Research and development lab)

直到現(xiàn)在，大多數(shù)機器學習(ML)工具幾乎都只專注于模型開發(fā)，但這種情況正在發(fā)生變化。新的機器學習(ML)工具解決了操作流程和模型生命周期管理。這些新工具可以提高機器學習(ML)模型的效率，并支持下游操作、標準規(guī)范和模型治理。

使用研發(fā)實驗室，數(shù)據(jù)科學家可以在安全和可管理的環(huán)境中評估新工具，記錄最佳實踐并評估潛在收益。一旦被更廣泛團隊使用，新工具就可以集成在應用程序目錄中，該目錄可在自助服務提供過程中使用。

(4)改善(Kaizen)

Kaizen這一日語術(shù)語的意思是為了更好或不斷改進而進行的更改。它更像是一種哲學而不是一種工作實踐，它可以確保更高質(zhì)量，消除浪費，提高效率。

隨著越來越多的企業(yè)開始擴展其數(shù)據(jù)科學能力，將會出現(xiàn)新的需求。這些可能包括更多標準化或自動化流程的機會。

信息化工廠和相關(guān)團隊(包括DataOps、數(shù)據(jù)科學、MLOps、DevOps、運營和商業(yè)智能)中工作的集成性使其適合改善(Kaizen)實踐。每個人對面臨挑戰(zhàn)都有不同的看法，因此，應該鼓勵他們不斷評估如何改進信息化工廠的流程。

(5)供應鏈(Supply chain)

多年來，制造商通過使用準時制(JIT)方法進行零件交付來優(yōu)化他們的供應鏈。準時制(JIT)將庫存保持在最低水平，并消除了將零件移入和移出庫存的時間和精力。

信息化工廠需要以相同的方式處理數(shù)據(jù)。盡管大多數(shù)企業(yè)在多個數(shù)據(jù)倉庫、操作性數(shù)據(jù)存儲和數(shù)據(jù)池中都有大量的數(shù)據(jù)，但是發(fā)現(xiàn)和訪問有用的數(shù)據(jù)通常是第一個挑戰(zhàn)。在許多情況下，數(shù)據(jù)科學家需要數(shù)據(jù)工程師幫助復制大型數(shù)據(jù)集，因為需要讀寫訪問來轉(zhuǎn)換數(shù)據(jù)，并使其適合于機器學習(ML)模型的構(gòu)建。這種延遲與理想的準時制(JIT)相比還相差甚遠。

在機器學習(ML)競賽中獲勝的企業(yè)將關(guān)注數(shù)據(jù)供應鏈，提供全面的數(shù)據(jù)目錄和業(yè)務術(shù)語表。他們還定期評估和報告數(shù)據(jù)質(zhì)量。大多數(shù)還使用只讀快照，而不是復制數(shù)據(jù)?，F(xiàn)在，許多人開始探索特定的機器學習(ML)特征存儲，通過標準化數(shù)據(jù)的準備方式極大地加快了模型開發(fā)。

(6)防錯(Poka-yoke)

最后一個是Poka-yoke，這一日語術(shù)語的意思是防錯。手機中的SIM卡就是一個很好的例子，制造商將SIM卡去掉一個小角，以防止錯誤插入。

防錯(Poka-yoke)有助于防止缺陷的發(fā)生。這種類型的防錯是以上描述的持續(xù)改進過程的一部分(Kaizen)。雖然防錯措施的想法有些瑣碎，但是想象一下如果把它嵌入到人們接觸到的每個過程中，隨著數(shù)據(jù)科學家使用更加自動化的工具實施更復雜的任務，防錯措施將顯現(xiàn)出其寶貴的價值。

通過流程、工具和人才使機器學習(ML)獲得成功

機器學習(ML)和機器學習運維(MLOps)對于企業(yè)的業(yè)務成功至關(guān)重要，然而大多數(shù)企業(yè)都未能實現(xiàn)他們的目標。解決這一挑戰(zhàn)的第一步是實施機器學習運維(MLOps)。然而，只依靠機器學習運維(MLOps)是不夠的。通過獲得以上六種行之有效的精髓，企業(yè)可以從數(shù)據(jù)中創(chuàng)造價值，從而獲得更大的成功。

原文標題：Becoming an ML information factory – 6 lessons we can learn from lean manufacturing，作者：Doug Cackett

【51CTO譯稿，合作站點轉(zhuǎn)載請注明原文譯者和出處為51CTO.com】