臉書隨處可見AI應用的身影，從個人化貼文排序、新聞推薦、廣告推播、人臉標注到仇恨言論過濾，背后都靠AI進行自動化決策。這個開發(fā)規(guī)模有多大？臉書2016年在自家部落格公開了一個驚人的數據，臉書工程團隊在過去短短一年多的時間內，就訓練了超過100萬個ML模型，更達到每秒600萬次預測。換句話說，平均只要1天，就能訓練出兩、三千個AI模型。為何臉書可以這麼大規(guī)模的開發(fā)出各種AI應用，關鍵就是2014年著手打造的ML平臺FBLearner Flow，這套AI開發(fā)流程，大大減少了AI開發(fā)過程中的人工作業(yè)。

　　舉例來說，在FBLearner Flow平臺上，提供了多種預定義ML流程（Pipeline），不同的AI專案能根據需求重復利用這些開發(fā)流程，甚至還有一個AI實驗管理UI介面，讓開發(fā)者不用寫任何一行前端程式，就能快速建立模型實驗的工作流，管理每日上千次的模型實驗結果，更能線上快速檢視模型輸出、修改標簽與原始數據，甚至能啟動大規(guī)模部署工作，并監(jiān)控模型的表現。

　　這正是臉書訓練出百萬個AI模型的關鍵，不只降低工程師手動開發(fā)作業(yè)，還建立可重復使用的ML流程，讓工程師能更專注於特徵工程或模型訓練，藉此提升AI開發(fā)速度與模型準確率，甚至，非AI專業(yè)的軟體工程師，也能用這個平臺來開發(fā)AI應用。勤業(yè)眾信風險管理諮詢副總經理廖子毅指出，這個作法，正是近兩年崛起的MLOps概念的體現。

　　MLOps：一種加速AI落地的人員協作方法

　　越來越多企業(yè)在AI的發(fā)展，走出了實驗階段，開始更大規(guī)模的落地應用。為了加速AI開發(fā)，開始有企業(yè)仿效生產線設計，針對AI開發(fā)來建立一個系統性作業(yè)流程。

　　尤其，當AI模型進入持續(xù)交付、持續(xù)部署、成效監(jiān)控與迭代更新的階段，要串起整個模型從開發(fā)到運維的全生命周期循環(huán)，更需要AI模型訓練的資料科學團隊，和負責AI應用部署落地的IT團隊，彼此緊密協作，來維持AI上線后的表現。

　　兩種不同角色團隊協作的概念，聽起來很熟悉，在軟體開發(fā)領域一點都不陌生，就是已經盛行多年的DevOps要解決的課題，運用自動化測試、持續(xù)整合、持續(xù)部署的工具，推動開發(fā)與運維人員更緊密協作，來加速軟體版本迭代更新。近來，國外更直接將DevOps概念延伸到AI開發(fā)領域，取ML與DevOps的字尾，創(chuàng)造出「MLOps」的名詞，提倡AI開發(fā)也應該納入DevOps文化，透過AI、IT團隊不同角色間的緊密協作，來加速AI落地。

　　不過，比起DevOps的實踐，是在軟體部署的環(huán)節(jié)，強調開發(fā)與運維人員間的協作，MLOps更提倡AI全生命周期各角色的協作，透過將AI開發(fā)流程標準化與簡化，建立起一套系統性協作新方法。

　　因為相較於軟體開發(fā)，AI開發(fā)涉及的角色與工作流程都更加復雜。從一張在AI領域流傳已久的ML Pipeline流程圖可以了解，企業(yè)要落地一個AI應用，需做的事情遠比訓練一個模型多更多，甚至可以說，整個AI開發(fā)系統只有非常少部分的程式碼，是訓練模型所使用，除此之外，還需進行環(huán)境配置、資料搜集、特徵工程、資料驗證、運算資源管理、實驗分析、流程管理、部署上線及成效監(jiān)測等工作，更需眾多不同專業(yè)角色來共同協作。

　　「在ML開發(fā)流程中，沒有人可以從頭到尾做完所有事情。」Line臺灣資料工程部資深經理蔡景祥格外有體會的說，AI團隊的不同角色都得各司其職，藉由更緊密的分工協作，在不同開發(fā)階段優(yōu)化AI。

　　他以自家經驗來解釋，Line臺灣AI團隊中，資料工程師負責資料處理相關工程，ML工程師負責開發(fā)AI演算法，前者處理后的資料，會成為后者訓練模型的資料來源。因此，兩種角色需共同定義模型開發(fā)所需的資料集，資料處理后的儲存格式與位置，以便后者能直接取用符合需求的資料，無縫進行下階段的開發(fā)。

　　又比如資料科學家雖擅長開發(fā)ML模型，但有時為了提升1%的模型準確率，開發(fā)出上百MB大小的龐大模型，實際上線后，卻可能拖慢了線上服務的效能。這時，負責分析模型上線實際成效的資料分析師，就需要與資料科學家相互協作，來進行模型精準度與效能之間的取舍。

　　甚至，蔡景祥指出，ML模型上線后，模型表現還會隨著輸入資料的漂移而逐漸衰變，這時，更需要運維與開發(fā)人員緊密協作，在運維端觀察到模型衰變后，交由開發(fā)端重新調校模型，甚至得以新特徵、新演算法重新開發(fā)準確率更高的模型，再交由運維端部署上線，才能維持模型隨時達到精準預測。

　　而且，也不只是技術團隊成員間要相互協作，技術單位與業(yè)務單位也需要協同合作，透過如模型成效分析工具，量化使用ML后的成效數據，來進一步說服業(yè)務單位改用AI預測，確保AI能更有效提供商業(yè)面的洞察。

　　MLOps流程包含了多種元素在內，包括模型探索、ML Pipeline的部署、模型打包與部署、模型版本控管、模型監(jiān)控與管理、模型治理、模型安全等議題，都要透過MLOps來實現。（圖片來源／勤業(yè)眾信）

　　勤業(yè)眾信風險管理諮詢副總經理廖子毅表示，讓AI開發(fā)、部署與運維三大團隊，能透過一個標準化的流程來生產AI，建立像是工廠產線的作業(yè)流程，就是導入MLOps的重要指標。（攝影／洪政偉）

　　像臉書、Line都屬于重度使用AI的企業(yè)，所以，才會格外重視AI開發(fā)的協作文化。勤業(yè)眾信一份內部調查報告就指出，不只臉書，MLOps的早期實踐者如Google、Uber、Netflix、Airbnb等企業(yè)，都在加速AI應用落地時，面臨了開發(fā)瓶頸，并自建ML平臺來克服挑戰(zhàn)。

　　因為這些企業(yè)不僅擁有自己的資料科學家與工程團隊，面臨更多AI開發(fā)需求，已經上線的AI應用，更需要一套運維與管理辦法，來隨時提供精準預測。

　　比如Uber剛開始開發(fā)AI時，沒有遵循一套統一的開發(fā)流程，將模型部署到生產環(huán)境時，也仰賴工程人員客制化開發(fā)來上線服務，導致AI開發(fā)技能局限在少數人手上，應用規(guī)模也難以擴大。於是，Uber從2015年開始打造ML平臺Michelangelo，要透過標準化的端到端AI開發(fā)工作流，讓更多員工能跨過門檻來參與AI開發(fā)。

　　Netflix則是發(fā)覺，不同團隊角色之間，常用的分析軟體與程式語言互不相同，增加了AI開發(fā)的協作挑戰(zhàn)，因此從2017年Q3開始，試圖深化Jupyter Notebook作為資料處理工具的應用，更整合了支援Jupyter Notebook的相關函式庫或工具，比如互動式介面nteract、用於參數化與執(zhí)行Jupyter Notebook的函式庫Papermill、Notebook瀏覽與共享工具Commuter以及容器管理平臺Titus，來建構AI開發(fā)的基礎建設。

　　除了國外的應用案例，臺灣也開始有企業(yè)實踐MLOps。比如Line臺灣就在去年底完整揭露了韓國總部建置的ML開發(fā)平臺ML Universe（簡稱MLU），平臺中整合了不同的開源與自建工具，讓工程師能透過UI的編輯器功能，簡易設定來建立ML Pipeline，訓練完的模型也能快速打包成Docker Image來進行部署，大幅降低了資料科學家與工程團隊間的溝通成本，更提升了開發(fā)效率。

　　或像玉山銀行在2020年時就透露，采用了MLOps協作方法，讓數據模型或新上線的服務，都能即時、彈性回應使用者需求，更打破了AI團隊既有的職務內容框架，讓開發(fā)者能從產品端反過來思考ML應用。

　　「讓AI開發(fā)、部署與運維三大團隊，能透過一個標準化的流程來生產AI，建立像是工廠產線的作業(yè)流程，就是導入MLOps的重要指標。」廖子毅強調。

　　勤業(yè)眾信更在2021年技術趨勢報告預測中，將MLOps列為今年度十大趨勢之一，今年將有更多企業(yè)面臨MLOps的導入需求，這一套AI開發(fā)與運維的方法，更將擴大企業(yè)落地AI的規(guī)模，促成AI開發(fā)走向工業(yè)化（Industrialized AI）。

　　本文未完，下半篇在這里