AI 模型生命周期管理：概述

在企业中，AI 的关键作用需要一个明确定义且强大的方法论和平台，如果企业的方法论和平台不合格，可能会导致企业失败。例如，如果欺诈检测做出错误的决策，企业就会受到负面影响。在 AI 的漫长流程中，响应时间、质量、公平性、可解释性以及其他因素必须作为整个生命周期的一部分进行管理。对它们进行单独管理是不可能的。

因此，我们所说的“AI 模型生命周期管理”管理着复杂的 AI 流程，并帮助确保企业所需的结果。我们将在一系列博客文章中详细介绍 AI 模型生命周期管理。此外，我们将展示 IBM Cloud Pak for Data 如何帮助进行 AI 模型生命周期管理。

我们预计这些博客文章会引起以下人群的兴趣：

• 数据科学和 AI 领导者：更好地了解如何提高数据科学和 AI 投资的回报。
  
  
• 数据科学家：更好地了解数据科学活动如何利用和整合开发运维 (DevOps) 工具/流程，更深入地了解 IBM 的端到端 AI 模型生命周期管理的战略。
  
  
• DevOps 工程师：更好地了解 AI 开发流程、相关复杂性以及如何与 DevOps 相结合。

让我们思考一下，AI 模型生命周期管理所需要的要素有哪些。第一个要求是为整个流程提供一套组件。文档“The AI Ladder – Demystifying AI Challenges”（AI Ladder – 揭秘 AI 挑战）解释了如何将 AI 引入企业，并清晰地概述了流程中的四个步骤：

• 收集：使数据变得简单且易于访问。
  
  
• 组织：创建可用于业务的分析基础。
  
  
• 分析：以信任和透明的方式构建和扩展 AI。
  
  
• 融入：将 AI 应用于企业的各个环节。

另一个要求是整个管道的数据治理。质量在企业中至关重要，可解释性和公平性变得越来越重要。在整个流程中，AI 模型生命周期管理的数据治理应当监控并反馈质量、公平性和可解释性等方面。

正如我们所看到的，AI 模型生命周期管理并不容易。手动操作是不可能的。因此，为了有效支持云端的 AI 模型生命周期管理，所需的工具应具备以下特性：

• 易于训练和部署模型
  
  
  
• 可规模化部署和训练模型
  
  
• 监控数据治理、质量和合规
  
  
• 整个管道的可视化
  
  
• 丰富的数据源连接器

此类工具的一个示例是 IBM® Cloud Pak for Data。IBM Cloud Pak for Data 是一个多云数据和 AI 平台，提供端到端的企业级 AI 模型生命周期管理和 ModelOps 工具。它可帮助组织提高数据科学活动的整体吞吐量，并从其 AI 计划中更快实现价值的时间。Cloud Pak for Data 包括以下关键能力：

• 模型开发和训练工具，包括 AutoAI、无代码和拖拽功能，并支持丰富的常用开源库和框架。
  
  
• 模型部署工具，用于在生产环境中扩展部署的模型，以支持现代应用并满足性能要求。
  
  
• 模型监控和管理工具，提供值得信赖的 AI。
  
  
• 数据虚拟化功能可帮助数据科学家在混合多云环境中高效访问企业的各种数据源，从而显著提高数据科学团队的 AI 吞吐量，而无需复制数据。
  
  
• DataOps 可以满足数据治理、质量和合规性要求。
  
  
• 完整的数据服务，拥有丰富的数据连接器和可扩展的多云数据整合功能，能够从各种数据源高效地提取、转换和加载 (ETL) 操作。

对从任何位置构建并在云或本地部署的生成式 AI 模型进行治理。