MLOps落地開花,AI資產沉澱和治理成為實踐新風向。隨著業界對人工智能研發效率、團隊協作、安全保障等需求進一步提升,整個MLOps產業實踐呈現出“內涵很明確、落地很困難”的現狀。
從技術內涵來看, MLOps的核心和要求已明確,即圍繞“一個基礎、兩個關鍵、三個提升”,逐步建設從需求、開發、交付到模型運營的全生命周期運營管理機製。一個基礎是指持續交付,通過搭建工廠流水線式的模型生產方式,提高規模化生產效率。許多頭部企業都已開始實踐模式的持續交付,部分企業模型研發效率提升超過40%。兩個關鍵是指持續訓練和持續監控,通過持續訓練和持續監控搭建高效閉環的運營管理體係,提高機器學習可觀察性,保證模型質量,增加賦能效果。
三個提升是指數據管理、特征管理、模型管理能力的提升。對數據、特征和模型等AI資產加以沉澱、安全管控和風險治理,提升企業級AI治理能力,已成為MLOps新風向。
從落地現狀來看,持續交付、持續訓練、持續監控和模型治理難度依次提升,產業界當前尚處在提升持續交付和持續監控能力過程中,模型治理等僅有少量探索,未來仍然是AI工程化的重點方向。 v 此外,MLOps的工具市場持續火熱,端到端的MLOps一體化工具和細分場景的專項工具都非常火熱,端到端工具追求大而全的功能集,專項工具在局部或某些場景下功能和性能較好,例如流水線編排、模型監控、特征存儲、可觀測等工具,未來MLOps相關工具可能會成為AI軟件市場的重要賽道。
AI軟件設施在近兩年成為產業焦點,AI開源框架生態,預訓練大模型體係,AI軟件平台生態等內容都得到了長足的發展,像水電一樣成為觸手可得的普惠資源
智能文檔處理、智能會議、知識管理、智能客服等各類企業智能應用不斷發展,全麵賦能企業辦公、管理、決策、風控、營銷、服務等各個環節
頭部科技企業先後發布了AI治理戰略和治理體係,成立了相關委員會和工作組,聚焦企業層麵的AI治理和風險管理體係,可信AI技術和保障工具也在蓬勃發展
全球人工智能市場收支規模達850廳美元,預測,2022年該市場規模將同比增長約20%至 1017廳美元,並將於2025年突破2000廳美元大關, CAGR 達24.5%
調度決策外賣調度係統困住騎手;個性化推薦電商場景下的信息繭房和馬太效應;內容治理如何守護清朗健康的網絡環境;人工智能可以放心使用嗎
數據不完備和濫用風險突出而損害用戶的權益;人工智能算法存在固有缺陷在可解釋性魯棒性偏見歧視等方麵尚存在局限;企業人工智能管理體係不完善
企業作為落實人工智能治理原則的重要主體,形成覆蓋人工智能產品全生命周期的風險管理機製,提出了麵向可持續發展的人工智能治理基本框架
構建麵向可持續發展的人工智能技術體係,推動人工智能技術可用、可靠、可信,其內涵包括提升技術安全和構建技術管理機製兩個層麵工作
在規劃設計階段機器學習場景中固有的不可預測性,傳達實施偏差會進一步加劇;在研發部署階段模型運行之後的動態更新缺乏足夠驗證等挑戰
高增長:未來五年全球人工智能市場規模平均增速將超過20%;高集中:軟件占比近40%硬件產品占比接近35%;高壁壘:滲透率還不到4%
我國新一代人工智能治理工作框架應整合社會各界對AI社會技術複合體的離散性認知,突破AI包容審慎實踐的探索,建立基於“邏輯-秩序-監管“的人工智能治理工作框架
多模態數據具有異構性 多模態數據的關聯難度表示較大 多模態知識融合困難 多模態問答大多隻能處理簡單的問題 多模態知識問答推理能力弱 可解釋性差