数字化转型网人工智能专题
与全球关注人工智能的顶尖精英一起学习！数字化转型网建立了一个专门讨论人工智能技术、产业、学术的研究学习社区，与各位研习社同学一起成长！欢迎扫码加入！
2022年7月，中国农业银行的人工智能服务体系（掌银生活页信息流推荐模型 V2.0.1项目）参与了由中国信息通信研究院（以下简称“信通院”）组织的《人工智能研发运营一体化（MLOps/ModelOps）能力成熟度模型第一部分：开发管理》标准能力评测，评测结果为3级领先级。该等级代表着参测项目具备系统化的开发管理能力，拥有完备的需求管理能力，支持数据工程和模型开发流水线部分自动化执行，实现了数据和模型等资产可追溯、可共享管理能力，以及实验过程和结果可跟踪。
本次我们采访了中国农业银行研发中心项目经理司忠平，了解本次参测项目的研究团队和技术能力，并分享MLOps在AI项目研发过程中的实际应用情况。 数字化转型网www.szhzxw.cn
问：请介绍一下贵公司和参与本次评测的项目。
中国农业银行是一家国有大型上市银行，致力于建设经营特色明显、服务高效便捷、功能齐全协同、价值创造能力突出的国际一流商业银行集团。
中国农业银行近年来全面加速智能化转型，面向金融场景，构建全流程一体化的人工智能服务平台，打造人工智能深度赋能体系，破解“业技数”融合的痛点难点，实现人工智能在金融场景的规模化高效赋能，形成可供借鉴的行业赋能新模式。 数字化转型网www.szhzxw.cn
本次评测的项目—掌银生活页信息流推荐模型，服务于掌银生活频道商品信息流的推荐，交付目标为升级优化后的掌银生活页信息流推荐模型V2.0.1版本。该模型由数据分析师柔性团队联合研发，涉及网络金融部、信息管理部、研发中心多个部门。
源数据的数据量整体输入规模在亿级以上，使用到的算法/算子主要有：标准化、数据分箱、盖帽异常值处理、基于流行度负采样Popularity-NS、embedding、前馈神经网络等。本项目的研发在我行自主创新的一站式人工智能金融服务体系上得到快速落地，效能大幅提升。
问：请您详细介绍下，MLOps给贵公司的人工智能服务体系带来哪些应用成效？
MLOps是机器学习时代的DevOps。好的MLOps实践通过标准化、自动化的形式，生产规模化、高质量、低风险的AI模型，缩短模型开发部署的迭代周期，提高模型交付的整体效率。
标准化、自动化意味稳定和高效，规避了一些人工操作带来的风险；从数据接入到模型开发，到后续的交付部署和运营，整个项目生命周期的环节都是牵一发动全身且能够量化的，在机器学习系统构建流程中遵循标准化和流程化路径能够实现所有步骤的自动化和监控。在近几年，由ML驱动的金融类应用呈爆发式增长，如精准营销、智能风控等，MLOps一系列操作范式达成了快速迭代实验、持续集成交付、多模型大规模部署、全面监控的利好目标，使模型易于复现、移植，使机器学习算法的落地更加迅速，实现了机器学习工程化的高效、合规和安全，促进了数据价值快速变现。我行积极布局MLOps，实现了从项目立项、分析准备、模型构建、模型测试验证、模型部署、服务接入、后评价与监控的全流程融合、系统打通、制度覆盖、人员协同。在开发管理方面，支持快速迭代实验、AI资产共享和重复利用、自动化模型验证等，智能模型的研发周期大幅缩短，可根据实际效果实时进行模型更新。
问：您觉得MLOps对企业的效能提升体现在哪些方面？关于MLOps落地，贵司的下一步计划是什么？
MLOps对企业的效能提升体现在以下几方面：一是模型规模方面，有流水线和自动化能力的加持，模型开发和交付加速，开发成果能够实现规模化产出；二是研发效率方面，场景落地时间更短、迭代速度更快；三是模型质量方面，对数据、实验、流水线和元数据的管理使实验复现不再繁琐和困难，持续监控等自动化闭环使模型质量得到保障，模型效果更好；四是人力成本方面，通过过程标准化，有利于人员的协作和分工，减少沟通成本，加速ML项目的生产周期，效率更高。
MLOps还是一个比较新的概念，但企业对它的需求却在与日俱增。下一步，我行会做好开发管理评测的总结，结合实际需求完善相关能力，并继续关注模型交付、运营相关标准要求，参与后续评测，深入探索，持续提升我行AI模型研发运营一体化的水平。
问：贵公司参与此次评测的初衷是什么？您认为本次评测的最大收获是什么？
农业银行人工智能服务平台以整体规划、边建边用、敏捷迭代的思路，先后经历了模型训练支撑、AI全流程支撑、规模化赋能三个建设阶段。我行参与此次评测的初衷在于系统性评估自身人工智能项目研发运营一体化水平并持续改进，通过MLOps生产运营一体化能力成熟度评估，可以帮助准确定位我行当前MLOps相关能力所处阶段，系统性分析差距所在，更好地驱动平台工具能力升级，以此提高模型开发效率、交付能力和运营能力，促进业务应用增长；同时，通过参与标准制定和评级，我们也希望树立MLOps在国内落地的行业标杆，引领行业发展。 数字化转型网www.szhzxw.cn
MLOps开发管理部分的评测，涉及28个能力子项，考察点近200余项。作为首家参测的企业，在较短时间内深入解读标准、查漏补缺，整个参测过程是对我行模型开发管理能力的一次全面、细致的梳理。通过本次评测，我们收获了满满的知识和实践指导，这对我们今后的平台建设和能力提高具有重大意义。
问：您认为MLOps在金融行业落地目前面临的挑战是什么？在产业应用上还存在哪些问题亟待解决？
随着金融行业的数字化转型，各企业积累了海量数据，在各类应用场景中开发机器学习模型来解决问题已经有非常成熟的方案，但如何推动MLOps落地，实现高效开发、交付和运营面临一些挑战。从技术层面来说，需要找到适合自身企业应用场景的工具链，打造科学规范的机器学习流水线；从成本层面来说，新兴领域需要大量人力和资金的投入支撑。在产业应用上，促进模型规模化落地、提升模型效果或者避免效果退化都是亟待解决的问题。 数字化转型网www.szhzxw.cn
问：您认为MLOps未来会朝哪些方向发展？对于AI工程化您怎么看？
MLOps为AI规模化落地而生，主要目标是保证模型质量的同时提升效率。这种机器学习工程文化和实践，正在各企业内普遍实践和应用，以解决企业AI应用的痛点。虽然MLOps值得追捧，但MLOps的实施却是复杂和困难的，未来应该会有更多完善的MLOps开源项目和平台工具，为MLOps的企业实践提供支持。
AI工程化让AI应用走向流水线模式，其本质是提升效率，是AI大规模发展的必经之路。以工程化技术来解决模型全链路生命周期管理的问题，真正给企业和客户带来更多价值，AI就会成为企业真正的生产力。
数字化转型网人工智能专题
与全球关注人工智能的顶尖精英一起学习！数字化转型网建立了一个专门讨论人工智能技术、产业、学术的研究学习社区，与各位研习社同学一起成长！欢迎扫码加入！ 数字化转型网www.szhzxw.cn
本文由数字化转型网（www.szhzxw.cn）转载而成，来源于可信AI评测；编辑/翻译：数字化转型网宁檬树。
