随着越来越多的企业和组织探索如何利用机器学习，MLOps（机器学习运维）和ModelOps（模型运维）变得日益重要。理想情况下，企业应该同时投资MLOps和ModelOps，以最大化机器学习的应用，并避免昂贵的陷阱。
MLOps主要关注工具、流程和实践，这些工具、流程和实践使得大规模部署机器学习模型变得更加容易。数据科学家发现，MLOps帮助他们更快地将模型准备就绪并推向市场。这些模型还帮助他们学习到职业中的关键知识，使他们成为工作场所的宝贵资产。
机器学习模型可能具有高度实验性，并包含复杂的组件。这些现实情况催生了对MLOps的需求。MLOps提供了改善数据科学家和运维团队成员之间沟通和协作的实践。
部署机器学习模型不仅仅是将更新后的代码推送到应用程序。开发者可以处理编码方面，但与算法相关的数据不断变化的性质可能会导致问题。公司代表可能会遇到后来无法复制他们的模型的问题，或者发现部署它们比预期需要更长的时间。
MLOps可以减少这些问题，并帮助模型构建者在问题对项目产生负面影响之前发现并修复它们。
ModelOps超越了模型部署，关注人们如何在整个生命周期中治理和维护所有机器学习和决策模型。MLOps使机器学习模型准备好使用，并增加了它们成功部署的机会。
IBM的Cloud Pak for Data是一个商业解决方案，提供了一个现实生活的ModelOps案例。一个客户使用该服务创建了一个由人工智能驱动的银行贷款解决方案。Cloud Pak for Data帮助公司收集和检查与相关机器学习模型所需的数据。然后，它允许人们构建和使用它们，并支持持续监控。这些步骤至关重要，因为它们让领导者能够验证模型是否按预期工作并获得所需的结果。如果没有，ModelOps解决方案的监控方面可以帮助他们更快地发现和解决问题。
ModelOps还优先考虑问责制。这与治理主题相关，帮助组织适当地使用算法及其数据。保持人员和部门的问责制减少了因监管机构的罚款或其他不想要的关注而产生的机会。在机器学习模型的使用中增加更多的问责制对于获得更多人的信任至关重要。
富达投资创建了一个可扩展的ModelOps框架，以便于在组织的生产环境中部署数百个模型。它们经历了一个涵盖整个生命周期的适当控制的模型治理过程。这种对ModelOps的关注导致在生产中查找和修复模型所需的时间减少了80%。此外，它使生产速度翻倍。
在MLOps与ModelOps的讨论中，一个常见的误解是它们相互竞争。实际上，它们是互补的，对于成功部署和使用机器学习模型是必要的。
然而，MLOps和ModelOps解决方案包括自动化功能，使它们更加用户友好。Qwak是一个旨在标准化机器学习项目结构的MLOps初创公司。用户还可以使用Qwak的工具在部署过程中获得支持，并使用可选的数据湖使信息管理更加容易。
SAS是提供自动化ModelOps解决方案的众多知名公司之一。由于需要在整个生命周期中支持机器学习模型，ModelOps自动化功能相对较为强大。
尽管人们可以购买MLOps和ModelOps的自动化工具，但他们必须参与工作流程的所有部分。他们越了解情况，就越容易构建和使用按预期工作的模型，并帮助组织变得更加有弹性。
决策者还必须为与他们将如何使用任何自动化解决方案相关的预算和时间表设定。这些产品不是治愈重大流程缺陷的万能药，但它们可以帮助人们更好地了解他们的机器学习项目。
ModelOps关注所有人工智能和决策模型的治理和全生命周期管理。因此，它包括机器学习，但扩展到知识图谱和自然语言处理。
思考ModelOps的一个好方法是，它使机器学习模型保持最新和易于更新，使它们在快速变化的环境中保持相关性。否则，当公司的运营信息与用于训练机器学习算法的信息不匹配时，可能会发生数据漂移。像消费者偏好的变化或在新市场推出产品这样的事情可能会导致它。模型漂移表现为由于现实世界的波动，其预测能力下降。
适应性是任何人工智能部署的重要组成部分。算法必须对即时条件做出反应。MLOps和ModelOps使这成为可能，但ModelOps让公司代表能够更快地调整现有模型或测试它们是否仍然按预期工作。
专家们还指出，ModelOps可以增加预防措施，防止机器学习项目后来偏离轨道。将标准化引入流程的人们开发出更有可能可扩展和可重用的模型，从而获得更高的投资回报。
在使用机器学习做出改变生活的决策时，流程改进非常重要。例如，ModelOps在医疗保健中的使用越来越普遍。它可以协助诊断并创建个性化计划，并得到人类专业知识的支持。然而，许多人对机器学习的不可解释性感到担忧。
人们并不总能确切地指出机器学习是如何做出决策的。然而，展示用于构建、维护和监督算法的过程可能有助于提高公众信任。
MLOps的重点在于部署机器学习模型，因此它可以帮助组织更有效地使用算法。它通过使开发多个模型变得不必要来减少总体支出，以满足一个目的。
相反，人们可以构建并调整一个模型以满足组织的需求。这是MLOps和ModelOps经常重叠的一个例子。如果公司不同时使用ModelOps，更新现有模型就不容易。MLOps使部署变得更容易，但ModelOps简化了包括部署在内的生命周期的各个部分。
专家们经常讨论MLOps如何增加模型速度，减少部署机器学习解决方案所需的时间。当公司使用MLOps时，可能只需要几周或几天。否则，部署时间可能会跨越数月，而且模型可能在所有这些努力之后仍然无法实现。
Accenture在2022年的一项研究表明，只有12%使用人工智能的公司处于高成熟度水平。然而，那个小群体中的企业使用技术来超越竞争对手。它们还比AI成熟度较低的同行有50%更高的收入增长。
MLOps不能保证机器学习项目的成功。然而，它可以通过消除或减少许多导致失败的因素来提高期望结果的可能性。
与机器学习模型合作的公司和个人经常使用MLOps和ModelOps。了解它们之间的差异是成功应用它们的第一步。
然而，这个概述澄清了人们过多关注它们的差异并不总是有生产力的。对于所有参与者来说，更有利的是看到它们对成功使用机器学习都至关重要。