发布日期:2021.12.07
“未来,随着机器学习等模型的普遍化应用,模型治理的重要性越发凸显,modelops 将成为数据智能系统开发运行过程的标配。”——北京九章云极科技有限公司董事长方磊博士。
时值 modelops 峥嵘初现,九章云极datacanvas联合全球知名市场数据及科技研究平台 cb insights 中国发布《2021 年 modelops 技术应用及趋势白皮书》。
报告指出,随着企业对模型治理的重视程度提高,modelops 这一高效赋能、科学治理的方式将逐渐普及,成为企业 ai 管理模型“标配”。
溯源:要开发更要治理,modelops 应时而生
作为新一轮产业变革的核心驱动力,ai 技术在近年来不断发展。数字化转型浪潮的席卷之下,企业纷纷加大 ai 投入,开发、部署的模型数量不断激增。
然而,在数字化转型的过程中,“重开发、轻治理”的风气使得模型的开发、部署不连贯,技术应用的“最后一公里”难以推进,逐渐成为企业无法忽视的一环。
这一大环境下,modelops(model operations)应运而生,这种科学的模型全生命周期治理框架,是 devops 及 mlops 的扩展,将模型的全生命周期梳理为流程化、标准化的闭环,通过持续监控及验证以不断训练模型,达到生产优化的效果,弥补了模型科学治理方式的缺失。
▲ 图丨modelops 与相关概念关系厘定(来源:cb insights 中国)
技术:集流程化、监控、可视化等多功能一体,助力企业模型全生命周期科学治理
modelops 平台是数据科学和软件工程的结合产物,集成多种技术,从全局角度打通模型需求、开发、验证、审批、投产到应用以及下线的全流程。
白皮书从解析 modelops 平台中的核心技术出发,详细解释了 modelops 平台的核心功能,以及这些功能如何帮助企业科学治理模型。
▲ 图丨modelops 平台建设与治理目标(来源:cb insights 中国)
除了具有提高机器学习、 ai 模型开发和运维效率的功能外,modelops 更关注模型资产管理。通过持续监控及可视化手段使模型稳定性、风险始终可控,以赋与企业科学的模型全生命周期治理能力。其核心功能实现如下:
▲ 图丨modelops 平台架构及核心功能实现(来源:九章云极datacanvas、cb insights 中国)
应用:初现峥嵘,将实现对更多行业的覆盖
白皮书以工业场景和金融场景为例,剖析 modelops 如何在特定场景中助力企业实现模型科学治理、提高 ai 应用效率。同时,也指出 modelops 落地时面对的挑战、影响应用差异化的关键因素。
在工业等数字化进程相对早期的场景中,modelops 重于以有限的数据资源对企业赋能机器学习(比如在设备预测与健康管理中,以 ai 替代人工进行高效准确的实时预测)。
▲ 图丨modelops 在工业智能场景中的作用流程(来源:cb insights 中国)
在金融服务等数字化程度相对领先的场景中,更重于开发态和运营态的打通以及之后的模型风险的治理(model risk management,mrm)。
▲ 图丨九章云极 modelops 银行k8凯发的解决方案架构(来源:九章云极datacanvas、cb insights 中国)
受制于数据安全焦虑等因素,modelops 的应用目前仍处在探索的早期阶段。未来,随着 modelops 的交互设计更友好、兼容程度升高,企业管理者对模型治理的认识、理解更深,modelops 将实现对更多行业的覆盖。
展望:高维智能降低 ai 技术使用门槛
从模型算法设计到决策系统应用,ai 技术发展重心正悄然转移。 在 modelops 框架下,科学的模型治理不仅使企业的 ai 计划更易从模型算法设计走向生产决策系统应用,实现规模化效应,也使 ai 拥有部分能动性,逐渐走向自治化——“以 ai 治理 ai”变为可能。
自治化意味着更高维智能的实现,ai 的使用门槛更低。未来,modelops 持续监控、流程化、标准化、可复用的模型全生命周期治理框架将带动 ai 治理方式更迭。modelops 将有望成为企业 ai 治理的“标配”。
在公众号九章云极datacanvas后台回复关键词“modelops”获取完整版pdf报告。
咨询