打破界限：融合DevOps与MLOps构建更强软件供应链

快速阅读: 企业将机器学习融入商业策略面临效率低下和冗余问题，主要因DevOps和MLOps团队独立运作所致。统一两者为单一软件供应链，可提升自动化、可靠性和安全性，减少重复工作，促进跨团队协作。

随着企业将机器学习融入商业战略，创新竞赛和市场领先的压力凸显了一些新挑战。传统上，软件开发（DevOps）和机器学习（MLOps）团队各自独立运作，使用不同的工作流程、工具和目标。在当今环境中，这种分离导致了效率低下和冗余问题，阻碍了软件交付。

现状的风险是什么？如何弥合这两个团队之间的差距？

独立的管道造成了障碍。DevOps管道围绕持续集成和交付（CI/CD）构建，强调速度和可靠性。而MLOps引入了数据准备、模型训练和验证等阶段。当这些操作分开管理时，从数据科学到工程的交接过程会变得缓慢且容易出错。数据科学家在一个环境中工作，工程师在另一个环境中工作，通常需要手动步骤，打断整个软件生命周期。

不同的工具链进一步加剧了这一问题。DevOps和MLOps都需要自动化、可重复性和版本控制。然而，同时运行两个系统是一种资源浪费，尤其是在它们设计目标相同的情况下。服务这些基础设施的渠道提供商通常需要处理许多此类问题，增加了复杂性而没有提供额外价值。团队之间的隔阂进一步复杂化了问题，沟通中断和目标不一致。

与传统代码不同，机器学习模型通常依赖于动态、数据驱动的输出，这些输出可能因训练数据或超参数的不同而变化。因此，它们并不总是能很好地适应现有的DevOps管道，导致标准测试、验证或安全检查被跳过或不一致地应用。这些问题延长了将人工智能功能推向市场的时间。模型版本、训练数据和超参数的可追溯性有限，使得故障排除和审计变得繁琐，引发了治理、合规性和问责制方面的担忧。

统一的理由

许多组织发现，解决这一问题的方法是将DevOps和MLOps合并为一个统一的软件供应链。这种方法并没有忽视机器学习的独特需求，而是将人工智能（AI）视为与其他软件组件同等重要的部分，创建了一套一致的协议，无论是代码片段还是训练模型。

DevOps和MLOps有一些共同的目标：快速交付、自动化和可靠性。围绕这些目标进行对齐有助于组织和渠道合作伙伴更高效地运作，减少重复工作，促进更好的协作。

实现真正统一的关键是将机器学习模型视为一级软件工件。像二进制文件、库和配置文件一样，模型应通过相同的自动化管道进行版本控制、测试和分发。这确保了统一的可见性，使团队能够跟踪哪个模型版本对应哪个发布，减少混淆并确保可重复性。

将模型整合到这些工作流中，可以扩展整个生命周期的自动化，从数据准备到部署，减少了人工交接，加快了从头到尾的交付速度。这也改善了数据科学家、工程师和运营团队之间的协作。共享基础设施和使用相同的过程简化了沟通，使交接更加顺畅。

治理也得到了加强，因为机器学习模型接受了与其他软件组件相同的质量保证、安全扫描和合规性检查。对于负责保护软件供应链的渠道合作伙伴来说，这种一致性至关重要。

对渠道的机会

对于IT渠道而言，将DevOps和MLOps结合起来既是挑战也是机遇。组织希望利用人工智能，但往往缺乏必要的技能或基础设施。帮助客户建立这些管道的合作伙伴能够提供更快、更可靠且合规的解决方案。渠道提供商在弥合DevOps和MLOps之间的差距时，处于人工智能驱动创新的前沿。

企业需要能够快速且安全地将模型从测试迁移到生产环境中，以实现人工智能的潜力。必须有一个单一的软件供应链，在这里，机器学习模型被当作一级资产来处理，工作流程从头到尾实现自动化。对于渠道合作伙伴而言，这种方法有助于客户扩展其人工智能项目，同时确保在整个软件生命周期中维持质量、安全性和治理。

随着组织竞相采用更多的软件和模型，行业需要全面的治理。目前，只有60%的企业对其在生产环境中运行的软件具有完全的可见性。

将DevOps和MLOps整合为一个软件供应链，可以帮助企业实现快速交付、自动化和可靠性等共同目标。这将为构建、测试和部署整个范围的软件，从应用程序代码到机器学习模型，创造一个高效且安全的环境。

(以上内容均由Ai生成)