2015年的一篇论文《机器学习系统中的隐藏技术债务》掀起了业界内对解决机器学习技术债的探索，催生了MLOps解决方案。如果说DevOps是解决软件系统技术债问题的利器，DataOps是打开数据资产技术债问题的钥匙，那么脱胎于DevOps理念的MLOps就是治疗机器学习技术债问题的一套重要方法论。
银行需要MLOps，是因为机器学习模型在银行业务中起着越来越重要的作用，例如风险评估、客户分类、反欺诈等。然而，将机器学习模型部署到生产环境并维护其可靠性和有效性是一项挑战性工作。
MLOps可以帮助银行更好地部署、管理和监控机器学习模型，从而提高模型的可靠性、安全性、效率和协作性，为银行的业务发展提供技术支持。
沙丘社区以中国工商银行、中国建设银行作为标杆对象，研究头部银行MLOps的最佳实践经验，旨在为其他金融机构提供参考。
基于AI公共底座，工商银行按照MLOps理念，围绕模型全流程研发运营管理流程，从研发态到资产归档态到服务运行态到运营态，形成闭环。
建设MLOps的成功经验，工商银行总结为如下四点：
第一，夯实公共能力。围绕人工智能的三要素——数据、算法、算力，建设企业级数据中台，实现数据沉淀共享；面向云原生，建立弹性可伸缩的算力云，对上层用户屏藏技术细节；算法封装沉淀，形成开箱即用。
第二，降低应用门槛。人工智能的技术门槛较高，需要按照不同建模的工艺流程，建设相关的建模和服务组装流水线，形成流程化、积木组装化的研发模式，降低门槛，让更多人能参与进来研发，促进业务和技术的融合创新。
第三，建立AI资产沉淀共享。如何有效将这些资产能够流转交付、资产沉淀、资产共享，是企业最大限度降低AI建设的成本，形成共享共建生态的关键所在。
第四，形成模型迭代运营。人工智能模型依赖于数据，数据是流动的，如何根据数据驱动、按照业务价值驱动模式，建立模型运营体系，是模型质量持续迭代和量化评价的基础。
查看完整内容：中国工商银行MLOps实践
银行实施MLOps 具有如下四大优势：
第一，全面自动化。在 MLOps 的帮助下，银行可以自动化将AI/ML模型集成到应用程序中。此外，MLOps还可以帮助实现应用程序版本控制和漂移的自动化，同时确保类似结果的大规模可复制性。
第二，降低成本。MLOps 通过可追溯性、版本控制、持续代码检查和持续集成/持续交付(CI/CD) 管道，大大降低了自我管理环境中AI/ML集成的成本。
第三，高度敏捷。MLOps 使银行和金融机构能够开发高度敏捷和灵活的AI应用程序，同时允许数据团队在 IT参与最少的情况下专注于关键任务。
第四，有效治理。MLOps 有助于共享代码，允许银行在一系列数据建模框架或库中复制具有可追溯版本控制的应用程序代码。通过基于规则的自动化帮助银行生产模型，MLOps 通过简单的AI/ML模型治理促进自动化部署。
查看完整内容：中国建设银行MLOps实践