下载掌阅APP，畅读海量书库
立即打开
通常，机器学习项目被大众理解为AI科学家的事情。通过对机器学习项目全生命周期的了解，我们发现机器学习项目有着多角色、高门槛、工具和流程繁杂等特点。
然而，AI科学家对机器学习模型以外的领域并不擅长和关注，如何让他们更快地将研究成果投入到生产环境，就是MLOps需要解决的问题。它帮助AI科学家降低开发在生产环境中可用的机器学习系统的复杂度，降低发生错误的概率，提高开发效率。
随着机器学习场景的不断丰富，如何更有效、更快速地落地机器学习项目成了AI科学家和AI工程师关注的焦点。MLOps也不再是“可有可无，有了更好”的选择，而变成机器学习项目必备的关键基础设施，这一点和DevOps之于普通IT项目的关系一样。
针对前面介绍的机器学习项目为什么难以落地以及机器学习项目生命周期中各个环节遇到的挑战，MLOps需要提供哪些工具和最佳实践来改变这一局面呢？我们将在后续章节展开介绍。