2、MLOps 入门：从挑战到解决方案

MLOps 入门：从挑战到解决方案

1. “垃圾进，垃圾出”：数据质量的重要性

在计算领域，“垃圾进，垃圾出”这句经典名言强调了有问题的输入数据会产生有问题的输出。在机器学习（ML）中，这一点尤为关键，因为模型训练过程严重依赖输入数据的质量。

ML 模型训练是将标记好的训练数据输入到 ML 算法中以学习其模式的过程。众所周知，ML 模型的性能仅取决于数据的质量。一些知名的 ML 从业者最近开始倡导以数据为中心的 AI 方法，以进一步凸显高质量训练数据的好处。

除了数据质量，数据新鲜度和数据统计属性的变化等与数据相关的方面也对 ML 模型性能有重大影响。如果在这些与数据相关的方面缺乏数据基础设施、数据工程严谨性和人员支持，将对 ML 模型性能产生负面影响，最终会减缓将 ML 模型投入生产的进程。

以下是模型中心型 AI 和数据中心型 AI 的对比：
| AI 类型 | 方法 |
| ---- | ---- |
| 模型中心型 AI | 通过调整超参数、改变模型架构或算法来提高 ML 模型性能，直到达到所需指标，这是传统行业一直采用的方法。 |
| 数据中心型 AI | 与模型中心型 AI 目标相同，但采用不同方法。它固定超参数、模型架构和算法，同时应用基于错误分析的数据迭代来提高模型性能。正式定义为系统地对用于构建 AI 系统的数据进行工程化的学科。 |

2. 起步阶段：传统 ML 的局限

传统上，ML 是从单个科学实验的角度进行的，主要由数据科学家单独进行。数据科学家在 ML 领域知识渊博且经过专业训练，主要负责与模型训练相关的任务。

因此，数据科学家往往较