MLOps落地面临着哪些挑战？

MLOps 落地面临着诸多挑战。

一是组织落地驱动力不足。对于大多数组织而言，MLOps 落地 驱动力不足。首先体现在 MLOps 建设成本较高，但短期内价值无法 立即显现，导致必要性分析难度增大；其次是 MLOps 技术栈不清晰， 且部分组织对已有 AI 能力和规模不确定，无法明确 MLOps 建设的 目标成熟度，导致制定技术方案的难度加大；最后是业内缺乏成熟的MLOps 实践指南作为指导，缺乏标杆组织和案例作为参考，导致诸 多组织落地 MLOps 时“摸着石头过河”，进程缓慢。

二是支撑工具选型难、集成难。虽然 MLOps 工具市场目前处于 蓬勃发展阶段，为应用方提供了许多选择，但随之带来的问题也比较 明显。一方面，由于工具种类繁多，功能复杂，解决某一环节问题的 工具往往有许多个，缺乏统一的能力标准；另一方面，尽管 MLOps 开源工具占多数，但如何将多个工具有效集成和打通，整合全生命周 期各项关键能力，很大程度依赖于组织和人员的技术能力。这两个原 因导致组织落地 MLOps 时，面临解决方案难决策、平台难选取、工 具链难集成等难题，导致难以实现 MLOps 的快速落地。

三是模型治理和可信道阻且长。机器学习模型的治理错综复杂， 体现在两个方面：一方面，同一模型在不同业务场景面临的风险程度 和所需更新频次不同，不同类别模型所需的生产过程和风险等级亦不 同；另一方面，模型面临的事前、事中和事后风险包括生产过程不可 追溯、线上模型效果下降、模型存在偏见、推理结果不可解释、无法 审计等，导致 AI 可信落地难。

四是环境间的交互难以平衡。企业内部的 MLOps 实践过程需要 有效管理开发环境、测试环境、准生产环境、生产环境等之间的关系， 外部需要有效打通与 DevOps、DataOps、FeatureOps 的连接，同时又 要保证流程的简洁和安全。环境间的交互障碍，导致 MLOps 的自动 化进程受限。