随着“十四五”规划等国家政策的深化，人工智能（AI）发展迎来了另一轮红利，特别是以ChatGPT为代表的人工智能产品的生成，表明人工智能业务实现过程将进一步加快，人工智能工程热度将进一步提高。人工智能研发运营系统人工智能研发运营系统（MLOps）作为人工智能工程化的重要组成部分，方法论逐渐成熟，落地应用不断推进。“AI工程化论坛暨MLOPS实践指南发布会”于2023年3月16日在北京举行。会上，中国信息通信研究院(以下简称“中国信息通信研究院”)发布了《人工智能研发运营系统》（MLOps）实践指南(2023年)。指南从组织布局和着陆MLOPS的角度，以模型高质量、可持续交付为核心逻辑，系统梳理MLOPS概念内涵、发展过程、着陆挑战，为组织高效构建MLOPS框架体系和关键能力提供方法论和实践案例参考，判断MLOPS未来的发展趋势。指南核心观点1. MLOps的概念逐渐清晰，对解决人工智能生产过程管理问题具有重要意义。MLOPS是通过构建和运行机器来学习流水线的（Pipeline），统一机器学习（ML）项目研发（Dev）和运营（Ops）该过程的目的是提高人工智能模型的生产质量和效率，促进人工智能从满足基本需求的“可用性”转变为满足高效、高性能的“易用性”，有效解决模型全链路生命周期管理中存在的问题，包括跨团队合作困难、过程和资产管理不足、生产和交付周期长等。2. MLOPS在国内外发展百花齐放，落地仍面临问题和挑战。自2015年以来，从行业意识到机器学习项目技术债务对人工智能生产的潜在巨大影响开始，MLOPS经历了三个阶段：考虑发酵、明确的概念和着陆应用，随着新工具的出现，在IT中、金融、电信等行业得到了广泛的应用和实施。然而，在这一渐进发展过程中，MLOPS的着陆面临着组织着陆驱动力不足、支持工具选择难以集成、模型治理和可信道阻长、环境间交互难以平衡等诸多挑战。3. MLOPS框架系统围绕流水线建设逐步完善。基于机器学习项目的整个生命周期，CI//CD/CT以/CM为核心，通过构建需求分析与开发、数据工程流水线、模型实验工程流水线、持续集成流水线、模型培训流水线、模型服务流水线、持续监控流水线等各种机器学习流水线，MLOPS全生命周期闭环框架逐步完善。4. MLOps落地效应逐渐形成渐进式建设的关键能力。MLOPS过程管理能力通过数据处理、模型培训、构建继承、模型服务、运营监控、模型重新培训、实验管理和装配线管理建设进行全面控制。通过建设特色管理、模型管理、仓库管理等能力，提高产品管理能力。MLOps落地效果日益突出，以模型安全为AI生产过程中的关键保障之一。
广州鲁邦通物联网科技股份有限公司成立于2010年，致力为行业客户提供软硬件结合的5G+工业互联网平台解决方案，通过设备物联、机器人乘梯、设备售后管理系统、电梯物联网等产品和服务，助力电梯及特种设备、医疗设备、机器人、环保设备、环卫设备、电力设备和水务设备等工业客户进行后市场服务的数字化转型，降本增效，开启利润增长的第二曲线。
