随着越来越多的组织推进基于 AI 的数字化转型，AI 运营领域出现了几种主要的趋势。在增长方面处于领先的企业在现代应用开发中使用 AI 和机器学习 (ML)，这与落后者形成鲜明对比。以下是 451 Research 提供的统计数据：

领先者投资于数字化转型模型：超过一半的数字化转型领先者采用机器学习，而落后者中的这一比例不足 25%。此外，62% 的企业正在开发自己的模型。 DevOps 的普及推动了自动化需求：目前，有 94% 的企业采用 DevOps。模型逐渐成为企业应用开发中不可或缺的一部分 — 帮助他们实现所需的持续、同步和自动化的开发和部署生命周期。 数据科学和 DevOps/队开展更深入的合作：33% 的受访企业表示，数据科学/数据分析团队是 DevOps 的主要利益相关方。

越来越多的应用开发人员对数据科学和人工智能产生兴趣，其中许多人已经掌握数据科学的基础知识。企业高管热衷于将预测融入业务之中，以优化运营，通过自动化技术增强人力资本，让员工能够实现事半功倍的效果。然而众所周知，将模型部署到运营系统非常困难。要解决运营问题，一个重要的投资领域就是让生产环境中的模型 (ModelOps) 与生产环境中的应用 (DevOps) 保持步调一致。

智能自动化可以在协调模型和应用方面发挥关键作用。我们确信 AutoAI 可帮助数据科学领域的新手和专家简化模型开发，因此我想讨论一下 AutoAI 如何提高模型和应用投资的收益，以及如何协调 DevOps 和 ModelOps。

自动化 AI 生命周期可帮助模型高效并且反复地产生更出色的结果。

AI 开发具有完整的生命周期，从构思一直到监控生产环境中的模型。生命周期阶段包括数据探索和准备、模型开发和部署，以及使用反馈循环进行优化和监控。数据科学家、业务分析师、数据工程师和主题专家都是这个生命周期中的关键参与者。DevOps 团队正发挥出越来越大的作用，这是个明显的新趋势。尤其是在增长方面处于领先的企业，他们将 AI 开发生命周期中产生的模型提供给 DevOps，大规模实现更出色的成果。

AutoAI 旨在减少数据科学的单调性、重复性和耗时问题，提高自动化程度，以使数据科学家能够集中精力，在 AI 开发生命周期中做出最具创新性的贡献。AutoAI 还可以帮助那些刚开始接触数据科学的人快速轻松地构建模型。这些新手还可以研究模型的构建方式和管道的生成方式。总而言之，企业可以借助经过精细调整的预测、优化和自动化，实现更理想的成果。

持续优化的模型更适合与 DevOps 协作

在应用生命周期中，应用的诞生始于构想。之后，开发和设计团队与利益相关方开展合作，根据最终用户的日常生活特征确定如何帮助他们解决问题并取得更理想的成果。这个愿景实现后，开发团队开始探索应用的工作方式，进入分析、设计和原型制作阶段。然后是编码和单元测试、用户和系统测试，直至发布和部署。此外还要针对业务变化和机遇进行定期更新和调整，以应对用户反馈所提出需求和问题。AI 和 ML 模型包含动态互动，并为每个用户量身定制有针对性的服务。

自动化已经通过持续集成、少代码和无代码应用开发等方式，对应用生命周期产生影响。这使得经验丰富的应用开发人员能够集中精力设计创新型解决方案，而无需进行繁琐的手动编码，也不必大费周章将应用与运营整合；而新手即使没有丰富的编码经验，也可以快速进行设计和原型制作。我们需要找到一种方法，在不发生中断的前提下，将 AI 模型集成到这些自动化的持续集成流中。

同步 ModelOps 和 DevOps 带来新机遇

毫无疑问，我们可以找出有说服力的业务案例，支持在协调模型和应用方面进行投资。数据科学家使用 ModelOps。开发人员使用 DevOps。二者如何保持同步？

ModelOps 能够让数据科学与生产 IT 协同工作，创造业务价值。建立 ModelOps 使模型融入应用的过程更加优化、可重复并且更成功。 部署模型的传统方法是一次性的，数据科学家和数据工程师通常缺乏运行模型的技能。他们可能在完成部署后才想到应用集成、模型监控和调优以及工作流程自动化。这就是将模型和应用开发整合到一个数据和 AI 平台的意义，这样就可以通过该平台利用集体资产和智能。

自动化将数据、模型和应用结合起来，同时充分发挥数据和应用的能力

IBM Cloud Pak for Data 由 AutoAI 提供支持，是实施和集成 ModelOps 和 DevOps 的理想之选。它可以在定期的部署和更新周期中将模型从数据科学团队推送到 DevOps 团队，并与持续集成和部署保持一致，以满足业务需求。Cloud Pak for Data 由 Watson Studio、Watson Machine Learning 和 Watson OpenScale 提供支持，采用开放设计理念，与云原生应用集成，支持用户构建和扩展 AI 以实现可解释的 AI。

AutoAI 有助于促进数据科学团队与 DevOps 和应用开发人员之间的协作，降低生产环境中部署和优化模型的复杂性。如果您是 DevOps 和应用开发从业者，那么可以从 Watson Machine Learning 获取 REST API 端点并部署模型，在使用统计数据、模型状态和 KPI 方面实现更高的可视性。开发人员可设置 API 连接，将用于评分和预测的更多信息发送给应用。

了解 AI 并将 AutoAI 投入使用的更多方法

这只是企业利用 AutoAI，借助数据科学和人工智能加速发展的一个例子。

访问：https://www.ibm.com/cn-zh/cloud/watson-studio/autoai您可以详细了解用于运行 AI 的 ModelOps 和用于管理和监控模型的可解释 AI。

原文链接：https://www.ibm.com/blogs/journey-to-ai/2021/03/autoai-synchronize-modelops-and-devops-to-drive-digital-transformation/

了解更多IBM相关：http://cloud.51cto.com/act/ibm2021q3/cloud#p3