人工智能研发运营体系（ML0ps）实践指南2023

本指南由信通院云计算与大数据研究所、人工智能关键技术 和应用评测工业和信息化部重点实验室联合发布。本指南站在组织如何布局和落地 MLOps 的视角，以模型的G质量、可持续交付作为核 心逻辑，系统性梳理 MLOps 概念内涵、发展过程、落地挑战等现状， 并基于 MLOps 的理论研究和实践案例分析组织如何构建 MLOps 框 架体系和关键能力，后总结和展望其发展趋势。

由于 AI 产业的快速变革，MLOps 落地应用持续深入，工具市场 不断迭代，我们对 MLOps 的认识还有待继续深化，本指南可能仍存 在不足之处，欢迎大家批评指正。

IT 行业：应用 MLOps 后，美国某 IT 公司将开发和部署新 AI 服 务的时间缩短到原来的 1/12 到 1/6，运营成本降低 50%；德国某 IT 公司，通过自动化编排和实验跟踪，以相同的工作量运行 10 倍的实 验数量

金融行业：应用 MLOps 后，新加坡某保险公司推理结果的生成 时间从几天缩短至不到 1 小时

电子商务：应用 MLOps 后，荷兰某酒店预定网站通过打通机器 学习模型生产流程，提G了生产规模，具备应用 150 个面向用户的机 器学习模型的能力

制造业：应用 MLOps 后，土耳其某水泥制造公司通过提升模型 生产效率和质量，大大提升了 AI 赋能业务的能力，使得替代燃料的 使用量增加 7 倍，减少 2%的二氧化碳排放总量，成本降低 3900 万美 元

化工行业：应用 MLOps 后，美国某化工企业将模型部署周期从 原来的 12 个月缩减至 30 到 90 天

...

附件：人工智能研发运营体系（ML0ps）实践指南2023