第一部分
MLOps是什么，为什么要使用MLOps

第1章
为什么现在要使用MLOps，使用MLOps面临的挑战

MLOps正在迅速成为企业中成功的数据科学项目部署的关键组成部分（如图1-1所示）。这是一个帮助组织和商业领袖创造长期价值，同时降低与数据科学、机器学习和AI计划相关风险的过程。MLOps是一个相对较新的概念，那么，为什么它似乎一夜之间就进入了数据科学词典？本介绍性章节将深入探讨MLOps的含义、它面临的挑战、为什么它对于企业中成功的数据科学战略至关重要，以及为什么它现在处于最前沿。

015-01

图1-1：MLOps的指数增长示意图

MLOps、ModelOps与AIOps

MLOps（或称ModelOps）是相对较新的学科，这些名词出现在2018年底和2019年。在编写本书时，两者（MLOps和ModelOps）在很大程度上可以互换使用。但是，有人认为ModelOps比MLOps更通用，因为它不仅涉及机器学习模型，还涉及其他任何类型的模型（例如，基于规则的模型）。就本书而言，我们将专门讨论机器学习模型的生命周期，因此将使用“MLOps”一词。

AIOps虽然有时会与MLOps混淆，但它完全是另一个主题，它是指通过人工智能（即DevOps的AI）来解决运营挑战的过程。例如，针对网络故障的预测性维护的问题，在可能出现的问题发生之前提醒DevOps团队。尽管AIOps本身很重要而且很有趣，但AIOps不在本书的讨论范围之内。

上一章目录下一章