MLOps分享 | 如何通过MLOps解放和提升AI生产力？

8月4日，Magic Data 与 AWS 亚马逊云科技 共同举办 “如何通过 MLOps 解放和提升AI生产力？” 线上直播活动，对 MLOps 进行深入解读与分享，吸引到众多对机器学习及 MLOps 感兴趣的从业者。

由单一机器学习任务向 MLOps 演进

AWS亚马逊云科技资深布道师 黄浩文

AWS 亚马逊云科技资深布道师 黄浩文 以「由单一机器学习任务向MLOps演进」为题进行分享。伴随着产业智能化的发展趋势，AI 正成为诸多行业转型升级的通用技术。对于开发者而言，开发时间与开发成本是搭建AI应用程序的主要考虑指标。

黄浩文从 MLOps 和 DevOps 的差异切入，并对 MLOps 工作流进行概述。借助 MLOps，可以让团队的开发与部署效率得到显著提升。MLOps 从 DevOps中延续的持续开发 (CD)、持续集成 (CI)、持续训练 (CT) 等方法和工具，来保障AI工作流程和模型的可重复性，开发者可轻松部署机器学习模型并集成管理监测机器学习资源。此外，黄浩文在深入的对典型模型开发周期 (MDLC) 和人员角色进行分析的同时，也对目前主流  MLOps 实现架构展开分析和探讨。

浅谈以数据为中心的人工智能

Magic Data 创始人兼CEO张晴晴

Magic Data 创始人兼CEO 张晴晴 以「浅谈以数据为中心的人工智能」为题进行分享。目前ML领域中，面临最大的挑战之一是数据质量无法满足算法需求。开发者在数据准备的阶段，通过使用高质量数据，才能够让数据在模型中进行有效的迭代，在生产中不断的验证，并以稳健的方式部署和管理。

张晴晴从数据的角度切入，首先对“以数据为中心的 AI (Data-Centric AI)”进行解读，通过Data-Centric MLOps让数据采集、清洗、标注、质检验收等环节在整个ML部署的生命周期中，打破数据、算法、场景之间的壁垒，有效助力ML实现流程自动化。此外，分享了在汽车行业MLOps 应用实践的相关案例，通过Data-Centric MLOps 降低机器学习技术门槛，帮助业务快速实现智能化。

直播内容精彩回放：B站传送门