许多组织已经意识到机器学习所带来的变革性优势，并采取了相应的措施来实施。然而，在将机器学习模型投入生产并进行大规模操作时，他们依然面临诸多挑战。
这些挑战的根源在于，大部分企业的机器学习工作流缺乏与软件工程相关的标准化流程。解决方案在于一组称为MLOps的标准实践。MLOps为机器学习生命周期提供了标准化，帮助企业从实验阶段过渡到大规模的机器学习部署。
根据FoRResteR近期的一项研究，98%的IT领导者认为MLOps能够为其公司带来竞争优势并提高盈利能力，但只有6%的人认为他们的MLOps能力已经达到成熟或非常成熟的水平。
那么，为什么会存在如此大的差距呢？
只有少数公司具备围绕机器学习模型的开发和部署建立的稳健且可操作的流程。这并不完全是因为缺乏尝试或认可，毕竟这一过程并不简单。
希望利用机器学习来优化业务流程或提供新客户体验的组织面临着持续而显著的挑战：
IT运营团队难以掌握机器学习
关键的MLOps能力不足
机器学习开发与运营团队之间协作不够
缺乏高效的技术工具链且缺乏凝聚力
跨团队分散的数据的安全性和控制
企业如何克服这些挑战，从人工智能和机器学习中获益？在企业级实施机器学习并部署更多用例的关键步骤是什么？
根据HPE/FoRResteR的研究结果，运营过程可分为四个步骤。
首先，发现并执行高优先级、投资回报率高的机器学习用例，这些用例能够迅速展示工作成果。确保用例在技术上可行且具有影响力，对于机器学习的成功实施至关重要。
其次，组建适当的AI团队。孤立的数据科学家无法为组织提供所需的成功动力。尽管数据科学家是构建机器学习模型的专家，但包括IT团队、业务分析师、项目经理、设计师在内的跨职能团队将提供更广阔的视角，并帮助解决最终部署中的问题。
第三，分析影响整个机器学习生命周期的现有硬件、软件、安全性、数据访问及控制。识别出存在的差距、效率低下和可能阻碍机器学习进展的领域。
最后，投资于能够解决分析中识别的问题，同时简化部署、维护和控制的工具、技术和流程。
HPE提供的解决方案能够帮助企业成功实现机器学习。HPE EzMeRal ML Ops是一种软件解决方案，支持机器学习生命周期的每个阶段，为机器学习工作流带来了类似于DevOps的速度和灵活性。
HPE EzMeRal ML Ops利用容器和Kubernetes支持整个机器学习生命周期。它为容器化的数据科学环境提供了使用任何开源或第三方数据科学工具进行模型开发的能力，并能够通过一键式模型轻松部署到内部或云中的可扩展容器化端点。数据科学家能够在一个平台上监控和部署所有数据科学应用程序，跨越任何基础设施平台。更重要的是，企业可以快速运行机器学习模型，加速机器学习计划的价值实现，从而获得竞争优势。
