4月4日，AI产业链细分MLOps继3日大幅拉升后，4日开盘一度大涨，临近午盘有所回落。

另外，最近市场关于它的讨论也明显增多。

资料显示，MLOps即机器学习运维，它是一种实践，旨在帮助团队更有效地开发、部署和维护机器学习模型。
打个比方的话，可把它想象成一个餐厅：数据科学家相当于大厨，他们将原材料（数据）转换为美味佳肴（机器学习模型）；机器学习工程师则负责确保菜品（模型）在餐厅各个环节的质量和一致性，例如调整配方、监控烹饪过程等；IT运维人员则负责餐厅的基础设施，如确保设备正常运行、提供必要的资源和环境等。
而MLOps就是这个餐厅的管理团队，协调各个部门，确保整个流程高效运转，从而让顾客（用户）享受到高质量的产品（机器学习模型）。

据中国通信院《人工智能研发运营体系（MLOps）实践指南（2023年）》文章表示，目前AI生产过程管理问题凸显。

援引Gartner调查发现，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，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。

而据中国信通院报告，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。

MLOps行业应用落地效果显著

报告称，国外方面，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。

比如IT行业：应用MLOps后，美国某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%；德国某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；以色列某IT公司实验复现时间减少50%；某美国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。

国内方面，MLOps处于规划和建设前期，落地探索成效初显。

IDC2022年预测，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3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。

IT行业，凭借在数据方面拥有的先天优势，IT行业最早开始构建MLOps并驱动其业务智能化水平的提升。如百度、华为、阿里、京东等，关注机器学习项目全生命周期的优化和改进，并在原有AI中台或云服务平台上逐步扩展MLOps过程管理功能，实践效果明显。百度通过应用MLOps使得开发周期缩短54%，测试周期缩短67%，所投入的人天数缩减57%9。

金融行业，鉴于对风险的敏锐嗅觉，金融行业在使用MLOps驱动业务增长的同时，对模型风险的关注与日俱增。如工行、农行、浦发银行、中原银行、中信证券等，细分上千个应用场景，重点聚焦于模型生产、模型管理、模型安全、模型风险等方面，借助MLOps实现模型全流程管控。中原银行通过应用MLOps将模型上线周期从周缩短至天，将模型部署时间从小时级缩短至秒级。

电信行业，由于用户数量巨大，模型上线后的运营监控成为电信行业关注的重点之一。如联通、移动等，对模型运营监控的关注度较高，以保证模型的稳定性。某电信运营商应用MLOps建立模型运营监控体系，实现模型持续训练，节省人力300人天/年，成本降低80%9。
此外，据浙商证券研报，华为云AI开发生产线ModelArts也支持全流程MLOps开发，实现行业数据参与AI持续迭代，大幅提AI应用的二次开发效率。

相关产业链

机器学习项目以需求、数据、代码、算法为输入，以模型、模型服务为输出，其生命周期主要包括定义问题、数据收集、数据处理、模型训练、模型评估、模型部署等过程。

MLOps围绕持续集成、持续部署、持续监控和持续训练，构建和维护机器学习流水线，并通过流水线的衔接形成全生命周期闭环体系。

中金指出，MLOps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。其同时表示，乘AI落地之风，MLOps备受资本市场瞩目。
2020年以来，AI大规模快速落地成为产业发展焦点，拉动MLOps平台工具需求提升，根据Marketsandmarkets数据，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%。

此外，资本市场投融资热度上升，Weights&Biases、Tecton、OctoML等初创公司均获得了数亿美元的融资。此外，大数据厂商龙头如Databricks、星环科技亦将MLOps能力融合在其Data+AI的平台化产品中，其预计国内MLOps市场正处于高速增长的规模化放量前期，未来想象空间宽广。