持续优化模型更适合与DevOps合作
伴随着越来越多的组织推动基于AI的数字化转型，AI运营领域出现了几大趋势成长型方面的龙头企业在现代应用开发中使用AI和机器学习，与落后者形成鲜明对比
领导者投资数字化转型模式:超过一半的数字化转型领导者采用机器学习，而落后者不到25%此外，62%的企业正在开发自己的模型DevOps的普及促进了自动化的需求:目前94%的企业采用了DevOps模型mdash逐渐成为企业应用开发不可或缺的一部分，帮助他们实现所需的连续，同步和自动化的开发和部署生命周期数据科学与DevOps/团队的进一步合作:33%的受访企业表示，数据科学/数据分析团队是DevOps的主要利益相关方
越来越多的应用开发者对数据科学和人工智能产生了兴趣，很多人已经掌握了数据科学的基础知识企业高管热衷于将预测融入业务，以优化运营，通过自动化技术提升人力资本，让员工事半功倍可是，众所周知，将模型部署到操作系统是非常困难的为了解决运营问题，一个重要的投资领域是使生产环境中的模型操作与生产环境中的应用保持同步
智能自动化可以在协调模型和应用程序方面发挥关键作用我们深信AutoAI可以帮助数据科学的新手和专家简化模型开发，所以我想讨论AutoAI如何提高模型和应用程序投资的回报，以及如何协调DevOps和ModelOps
自动化的人工智能生命周期可以帮助模型高效，重复地产生更好的结果。
人工智能开发有一个完整的生命周期，从概念到生产环境中的模型监控生命周期阶段包括数据探索和准备，模型开发和部署，以及使用反馈循环进行优化和监控数据科学家，业务分析师，数据工程师和主题专家都是这一生命周期的关键参与者DevOps团队扮演的角色越来越重要，这是一个明显的新趋势尤其是成长方面的龙头企业，将AI开发生命周期中产生的模型提供给DevOps，大规模取得更好的效果
AutoAI旨在减少数据科学的单调性，重复性和耗时性问题，提高自动化程度，让数据科学家能够集中精力在AI开发生命周期中做出最具创新性的贡献AutoAI还可以帮助那些刚接触数据科学的人快速轻松地构建模型这些新手还可以学习如何构建模型，如何生成管道总之，企业可以通过微调预测，优化和自动化来取得更好的效果
持续优化模型更适合与DevOps合作
在应用生命周期中，应用的诞生始于概念之后，开发设计团队与涉众合作，根据终端用户的日常生活特点，确定如何帮助他们解决问题，取得更好的效果这一愿景实现后，开发团队开始探索应用的工作模式，进入分析，设计，原型化阶段然后是编码和单元测试，用户和系统测试，最后是发布和部署此外，应根据业务变化和机会定期更新和调整，以满足用户反馈提出的需求和问题AI和ML模型包括动态交互和为每个用户量身定制的针对性服务
自动化通过持续集成，少代码和无代码的应用程序开发影响了应用程序的生命周期这使得经验丰富的应用程序开发人员能够专注于设计创新的解决方案，而无需繁琐的手动编码或煞费苦心地集成应用程序和操作，即使新手没有丰富的编码经验，也能快速设计和原型化我们需要找到一种方法，将AI模型不间断地集成到这些自动化的连续集成流程中
同步模型操作和开发操作带来了新的机会
毫无疑问，我们可以找到令人信服的业务案例，并支持对协调模型和应用程序的投资数据科学家使用模型操作开发人员使用DevOps如何让两者保持同步
ModelOps使数据科学和生产IT部门能够合作创造业务价值建立模型操作使得将模型集成到应用程序中的过程更加优化，可重复并且更加成功部署模型的传统方法是一次性的，数据科学家和数据工程师通常缺乏运行模型的技能他们可能会考虑应用程序集成，模型监控和调优以及部署后的工作流自动化这就是将模型和应用开发集成到一个数据和AI平台中的意义，这样就可以通过这个平台来利用集体资产和智能
自动化结合了数据，模型和应用，同时充分发挥了数据和应用的能力
在AutoAI的支持下，IBM Cloud Pak for Data非常适合实现和集成ModelOps和DevOps它可以在定期的部署和更新周期中将模型从数据科学团队推送到DevOps团队，并与持续的集成和部署保持一致，以满足业务需求由Watson Studio，Watson机器学习，Watson OpenScale支持的Cloud Pak for Data，采用开放的设计理念，与云原生应用相融合，使用户能够构建和扩展AI，实现可解释的AI
AutoAI可以帮助促进数据科学团队与DevOps和应用程序开发人员之间的协作，并降低在生产环境中部署和优化模型的复杂性。如果您是DevOps和应用程序开发从业者，您可以从Watson机器学习获得REST API端点，并使用统计数据，模型状态和关键绩效指标部署模型
方面实现更高的可视性开发人员可设置 API 连接，将用于评分和预测的更多信息发送给应用
了解 AI 并将 AutoAI 投入使用的更多方法
这只是企业利用 AutoAI，借助数据科学和人工智能加速发展的一个例子。
