由 dawei
在国内政策引导、企业产业智能升级的原生需求和疫情等多重因素作用下，中国的人工智能产业化应用在过去的5年间呈现出无可比拟的增长速度。2020年的中国人工智能软件市场规模已经超过了230亿元人民币，即便在疫情等外部因素考验下，仍旧迎来了平稳的增长。
然而随着应用市场的下沉，市场上仍旧缺乏普惠的AI工具，即便在企业拥有相关开发、建模人才的情况下，AI科学家和业务人员之间仍旧存在技术鸿沟。他们习惯使用各自的平台和工具进行数据分析或建模工作，这些数据资产被分散在企业各个角落，造成了模型的重复构建和资源的孤岛林立。而这些人才无法在同一个AI平台上一起协作，发挥出他们各自的优势能力，这是AI落地目前面临最大的挑战。
01
企业AI落地，到底难在哪里
企业在涉及到人工智能业务时，其研发流程需经历从明确业务问题->数据采集及清洗->特征工程->模型训练及打包->模型评估及验证->模型部署及上线->A/B test，以及模型监控和迭代的工作流程。整个链条非常长，容易涉及到多个平台间的切换。在任何环节出现功能短板或缺失，都会影响模型的开发效率和开发质量，或导致模型无法及时在实际业务当中部署应用。
图1：AI模型研发流程
在AI建模全生命周期中，涉及到企业内各类角色的协作，如：行业/领域专家、数据科学家、数据工程师、开发者/DevOps专家等等。这些角色均有各自擅长的技能，可以为AI建模的某些流程贡献智慧，如行业/领域专家对业务有深入洞见，擅长通过数据构建业务模型；数据科学家擅长数据分析、特征加工、ML模型开发及测试；数据工程师擅长进行数据收集、数据治理和数据加工；开发者/DevOps专家擅长软件工具及基础设施的构建与维护，帮助数据科学家将ML模型转化为实际生产力。
图2：AI相关人才技能地图（来源：Gartner）
这些角色由于专业背景和职能的不同，都习惯使用各自的平台或工具推进工作，在流程衔接方面会存在大量重复性数据、环境适配工作，造成AI模型开发的周期大大拉长，且无法进行数据、模型等资源的统一管理和资产沉淀。
02
星环科技推出Sophon MLOps——
模型落地和AI协作的加速器
为解决AI落地难的问题，星环科技的AI团队从用户需求端出发，倾力研发了一款基于云原生架构的企业级AI能力运营平台Sophon MLOps，助推AI模型落地，帮助各种相关角色使用同一个平台进行模型构建和流程紧密协作，并且为AI落地的每一环流程进行了优化，为所有使用者提供便捷的体验。
MLOps与DevOps类似，是机器学习过程管理的实践性方法论。MLOps平台为用户串联起了从模型设计、开发到运营的全生命周期，并提供自动化的功能，有效提高各环节的工作效率。