AutoAI：同步 ModelOps 和 DevOps，推動數字化轉型
隨著越來越多的組織推進基于 AI 的數字化轉型，AI 運營領域出現了幾種主要的趨勢。在增長方面處于領先的企業在現代應用開發中使用 AI 和機器學習 (ML)，這與落后者形成鮮明對比。以下是 451 Research 提供的統計數據：
- 領先者投資于數字化轉型模型：超過一半的數字化轉型領先者采用機器學習，而落后者中的這一比例不足 25%。此外，62% 的企業正在開發自己的模型。
- DevOps 的普及推動了自動化需求：目前，有 94% 的企業采用 DevOps。模型逐漸成為企業應用開發中不可或缺的一部分 — 幫助他們實現所需的持續、同步和自動化的開發和部署生命周期。
- 數據科學和 DevOps/隊開展更深入的合作：33% 的受訪企業表示，數據科學/數據分析團隊是 DevOps 的主要利益相關方。
越來越多的應用開發人員對數據科學和人工智能產生興趣，其中許多人已經掌握數據科學的基礎知識。企業高管熱衷于將預測融入業務之中，以優化運營，通過自動化技術增強人力資本，讓員工能夠實現事半功倍的效果。然而眾所周知，將模型部署到運營系統非常困難。要解決運營問題，一個重要的投資領域就是讓生產環境中的模型 (ModelOps) 與生產環境中的應用 (DevOps) 保持步調一致。
智能自動化可以在協調模型和應用方面發揮關鍵作用。我們確信 AutoAI 可幫助數據科學領域的新手和專家簡化模型開發，因此我想討論一下 AutoAI 如何提高模型和應用投資的收益，以及如何協調 DevOps 和 ModelOps。
自動化 AI 生命周期可幫助模型高效并且反復地產生更出色的結果。
AI 開發具有完整的生命周期，從構思一直到監控生產環境中的模型。生命周期階段包括數據探索和準備、模型開發和部署，以及使用反饋循環進行優化和監控。數據科學家、業務分析師、數據工程師和主題專家都是這個生命周期中的關鍵參與者。DevOps 團隊正發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先的企業，他們將 AI 開發生命周期中產生的模型提供給 DevOps，大規模實現更出色的成果。
AutoAI 旨在減少數據科學的單調性、重復性和耗時問題，提高自動化程度，以使數據科學家能夠集中精力，在 AI 開發生命周期中做出最具創新性的貢獻。AutoAI 還可以幫助那些剛開始接觸數據科學的人快速輕松地構建模型。這些新手還可以研究模型的構建方式和管道的生成方式。總而言之，企業可以借助經過精細調整的預測、優化和自動化，實現更理想的成果。
持續優化的模型更適合與 DevOps 協作
在應用生命周期中，應用的誕生始于構想。之后，開發和設計團隊與利益相關方開展合作，根據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。這個愿景實現后，開發團隊開始探索應用的工作方式，進入分析、設計和原型制作階段。然后是編碼和單元測試、用戶和系統測試，直至發布和部署。此外還要針對業務變化和機遇進行定期更新和調整，以應對用戶反饋所提出需求和問題。AI 和 ML 模型包含動態互動，并為每個用戶量身定制有針對性的服務。
自動化已經通過持續集成、少代碼和無代碼應用開發等方式，對應用生命周期產生影響。這使得經驗豐富的應用開發人員能夠集中精力設計創新型解決方案，而無需進行繁瑣的手動編碼，也不必大費周章將應用與運營整合；而新手即使沒有豐富的編碼經驗，也可以快速進行設計和原型制作。我們需要找到一種方法，在不發生中斷的前提下，將 AI 模型集成到這些自動化的持續集成流中。
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務案例，支持在協調模型和應用方面進行投資。數據科學家使用 ModelOps。開發人員使用 DevOps。二者如何保持同步？
ModelOps 能夠讓數據科學與生產 IT 協同工作，創造業務價值。建立 ModelOps 使模型融入應用的過程更加優化、可重復并且更成功。 部署模型的傳統方法是一次性的，數據科學家和數據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用集成、模型監控和調優以及工作流程自動化。這就是將模型和應用開發整合到一個數據和 AI 平臺的意義，這樣就可以通過該平臺利用集體資產和智能。
自動化將數據、模型和應用結合起來，同時充分發揮數據和應用的能力
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據科學團隊推送到 DevOps 團隊，并與持續集成和部署保持一致，以滿足業務需求。Cloud Pak for Data 由 Watson Studio、Watson Machine Learning 和 Watson OpenScale 提供支持，采用開放設計理念，與云原生應用集成，支持用戶構建和擴展 AI 以實現可解釋的 AI。
AutoAI 有助于促進數據科學團隊與 DevOps 和應用開發人員之間的協作，降低生產環境中部署和優化模型的復雜性。如果您是 DevOps 和應用開發從業者，那么可以從 Watson Machine Learning 獲取 REST API 端點并部署模型，在使用統計數據、模型狀態和 KPI 方面實現更高的可視性。開發人員可設置 API 連接，將用于評分和預測的更多信息發送給應用。
了解 AI 并將 AutoAI 投入使用的更多方法
這只是企業利用 AutoAI，借助數據科學和人工智能加速發展的一個例子。
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 和用于管理和監控模型的可解釋 AI。
了解更多IBM相關：http://cloud.51cto.com/act/ibm2021q3/cloud#p3
