AutoAI：同步 ModelOps 和 DevOps，推動數(shù)字化轉(zhuǎn)型
隨著越來越多的組織推進基于 AI 的數(shù)字化轉(zhuǎn)型，AI 運營領(lǐng)域出現(xiàn)了幾種主要的趨勢。在增長方面處于領(lǐng)先的企業(yè)在現(xiàn)代應(yīng)用開發(fā)中使用 AI 和機器學習 (ML)，這與落后者形成鮮明對比。以下是 451 Research 提供的統(tǒng)計數(shù)據(jù)：
- 領(lǐng)先者投資于數(shù)字化轉(zhuǎn)型模型：超過一半的數(shù)字化轉(zhuǎn)型領(lǐng)先者采用機器學習，而落后者中的這一比例不足 25%。此外，62% 的企業(yè)正在開發(fā)自己的模型。
- DevOps 的普及推動了自動化需求：目前，有 94% 的企業(yè)采用 DevOps。模型逐漸成為企業(yè)應(yīng)用開發(fā)中不可或缺的一部分 — 幫助他們實現(xiàn)所需的持續(xù)、同步和自動化的開發(fā)和部署生命周期。
- 數(shù)據(jù)科學和 DevOps/隊開展更深入的合作：33% 的受訪企業(yè)表示，數(shù)據(jù)科學/數(shù)據(jù)分析團隊是 DevOps 的主要利益相關(guān)方。
越來越多的應(yīng)用開發(fā)人員對數(shù)據(jù)科學和人工智能產(chǎn)生興趣，其中許多人已經(jīng)掌握數(shù)據(jù)科學的基礎(chǔ)知識。企業(yè)高管熱衷于將預(yù)測融入業(yè)務(wù)之中，以優(yōu)化運營，通過自動化技術(shù)增強人力資本，讓員工能夠?qū)崿F(xiàn)事半功倍的效果。然而眾所周知，將模型部署到運營系統(tǒng)非常困難。要解決運營問題，一個重要的投資領(lǐng)域就是讓生產(chǎn)環(huán)境中的模型 (ModelOps) 與生產(chǎn)環(huán)境中的應(yīng)用 (DevOps) 保持步調(diào)一致。
智能自動化可以在協(xié)調(diào)模型和應(yīng)用方面發(fā)揮關(guān)鍵作用。我們確信 AutoAI 可幫助數(shù)據(jù)科學領(lǐng)域的新手和專家簡化模型開發(fā)，因此我想討論一下 AutoAI 如何提高模型和應(yīng)用投資的收益，以及如何協(xié)調(diào) DevOps 和 ModelOps。
自動化 AI 生命周期可幫助模型高效并且反復(fù)地產(chǎn)生更出色的結(jié)果。
AI 開發(fā)具有完整的生命周期，從構(gòu)思一直到監(jiān)控生產(chǎn)環(huán)境中的模型。生命周期階段包括數(shù)據(jù)探索和準備、模型開發(fā)和部署，以及使用反饋循環(huán)進行優(yōu)化和監(jiān)控。數(shù)據(jù)科學家、業(yè)務(wù)分析師、數(shù)據(jù)工程師和主題專家都是這個生命周期中的關(guān)鍵參與者。DevOps 團隊正發(fā)揮出越來越大的作用，這是個明顯的新趨勢。尤其是在增長方面處于領(lǐng)先的企業(yè)，他們將 AI 開發(fā)生命周期中產(chǎn)生的模型提供給 DevOps，大規(guī)模實現(xiàn)更出色的成果。
AutoAI 旨在減少數(shù)據(jù)科學的單調(diào)性、重復(fù)性和耗時問題，提高自動化程度，以使數(shù)據(jù)科學家能夠集中精力，在 AI 開發(fā)生命周期中做出最具創(chuàng)新性的貢獻。AutoAI 還可以幫助那些剛開始接觸數(shù)據(jù)科學的人快速輕松地構(gòu)建模型。這些新手還可以研究模型的構(gòu)建方式和管道的生成方式。總而言之，企業(yè)可以借助經(jīng)過精細調(diào)整的預(yù)測、優(yōu)化和自動化，實現(xiàn)更理想的成果。
持續(xù)優(yōu)化的模型更適合與 DevOps 協(xié)作
在應(yīng)用生命周期中，應(yīng)用的誕生始于構(gòu)想。之后，開發(fā)和設(shè)計團隊與利益相關(guān)方開展合作，根據(jù)最終用戶的日常生活特征確定如何幫助他們解決問題并取得更理想的成果。這個愿景實現(xiàn)后，開發(fā)團隊開始探索應(yīng)用的工作方式，進入分析、設(shè)計和原型制作階段。然后是編碼和單元測試、用戶和系統(tǒng)測試，直至發(fā)布和部署。此外還要針對業(yè)務(wù)變化和機遇進行定期更新和調(diào)整，以應(yīng)對用戶反饋所提出需求和問題。AI 和 ML 模型包含動態(tài)互動，并為每個用戶量身定制有針對性的服務(wù)。
自動化已經(jīng)通過持續(xù)集成、少代碼和無代碼應(yīng)用開發(fā)等方式，對應(yīng)用生命周期產(chǎn)生影響。這使得經(jīng)驗豐富的應(yīng)用開發(fā)人員能夠集中精力設(shè)計創(chuàng)新型解決方案，而無需進行繁瑣的手動編碼，也不必大費周章將應(yīng)用與運營整合；而新手即使沒有豐富的編碼經(jīng)驗，也可以快速進行設(shè)計和原型制作。我們需要找到一種方法，在不發(fā)生中斷的前提下，將 AI 模型集成到這些自動化的持續(xù)集成流中。
同步 ModelOps 和 DevOps 帶來新機遇
毫無疑問，我們可以找出有說服力的業(yè)務(wù)案例，支持在協(xié)調(diào)模型和應(yīng)用方面進行投資。數(shù)據(jù)科學家使用 ModelOps。開發(fā)人員使用 DevOps。二者如何保持同步？
ModelOps 能夠讓數(shù)據(jù)科學與生產(chǎn) IT 協(xié)同工作，創(chuàng)造業(yè)務(wù)價值。建立 ModelOps 使模型融入應(yīng)用的過程更加優(yōu)化、可重復(fù)并且更成功。 部署模型的傳統(tǒng)方法是一次性的，數(shù)據(jù)科學家和數(shù)據(jù)工程師通常缺乏運行模型的技能。他們可能在完成部署后才想到應(yīng)用集成、模型監(jiān)控和調(diào)優(yōu)以及工作流程自動化。這就是將模型和應(yīng)用開發(fā)整合到一個數(shù)據(jù)和 AI 平臺的意義，這樣就可以通過該平臺利用集體資產(chǎn)和智能。
自動化將數(shù)據(jù)、模型和應(yīng)用結(jié)合起來，同時充分發(fā)揮數(shù)據(jù)和應(yīng)用的能力
IBM Cloud Pak for Data 由 AutoAI 提供支持，是實施和集成 ModelOps 和 DevOps 的理想之選。它可以在定期的部署和更新周期中將模型從數(shù)據(jù)科學團隊推送到 DevOps 團隊，并與持續(xù)集成和部署保持一致，以滿足業(yè)務(wù)需求。Cloud Pak for Data 由 Watson Studio、Watson Machine Learning 和 Watson OpenScale 提供支持，采用開放設(shè)計理念，與云原生應(yīng)用集成，支持用戶構(gòu)建和擴展 AI 以實現(xiàn)可解釋的 AI。
AutoAI 有助于促進數(shù)據(jù)科學團隊與 DevOps 和應(yīng)用開發(fā)人員之間的協(xié)作，降低生產(chǎn)環(huán)境中部署和優(yōu)化模型的復(fù)雜性。如果您是 DevOps 和應(yīng)用開發(fā)從業(yè)者，那么可以從 Watson Machine Learning 獲取 REST API 端點并部署模型，在使用統(tǒng)計數(shù)據(jù)、模型狀態(tài)和 KPI 方面實現(xiàn)更高的可視性。開發(fā)人員可設(shè)置 API 連接，將用于評分和預(yù)測的更多信息發(fā)送給應(yīng)用。
了解 AI 并將 AutoAI 投入使用的更多方法
這只是企業(yè)利用 AutoAI，借助數(shù)據(jù)科學和人工智能加速發(fā)展的一個例子。
訪問：https://www.ibm.com/cn-zh/cloud/watson-studio/autoai您可以詳細了解用于運行 AI 的 ModelOps 和用于管理和監(jiān)控模型的可解釋 AI。
了解更多IBM相關(guān)：http://cloud.51cto.com/act/ibm2021q3/cloud#p3
