大多[db:标签]��[db:标签]��织都认识到机器学习的变革优势，并采取措施来实施它。然而，当在生产中部署ML模型并大规模运行它们时，他们仍然面临一些挑战。

这些挑战源于这样一个事实，即大多数企业M1工作流缺乏通常与软件工程相关的标准化流程。答案是一套标准实践，统称为机器学习操作。多层操作系统为多层生命周期带来了标准化，并帮助企业从试验走向大规模的多层部署。

在最近的一项研究中，Forrester发现98%的信息技术领导者相信移动运营商将为他们的公司带来竞争优势和提高盈利能力。然而，只有6%的人认为他们的MLOps功能已经成熟或非常成熟。

那么，为什么差距这么大？

很少有公司围绕着最大似然模型的开发和部署拥有健壮的操作流程。这不一定是由于缺乏试验或批准造成的，这并不容易。

希望继续使用ML来改进其业务流程或提供新客户体验的组织面临着持续而重大的挑战:

·IT运营团队无法掌握ML

·关键的MLOps功能，缺乏能力

·机器学习开发和运营团队之间缺乏协作

·缺乏凝聚力，高效的技术工具链

·跨团队位置(云和本地部署)分布的数据的安全性和控制在企业级实现最大似然和部署更多最大似然用例的关键步骤是什么？

根据HPE/Forrester论文的发现，操作是一个四步走的过程。

·发现并执行具有高优先级和高投资回报的机器学习用例，这可以快速揭示工作结果。也就是说，确保用例在技术上是可行的和有影响力的，这对于为机器学习的实现奠定基础是非常重要的。

·建立一个合适的人工智能团队。在真空中运作的数据科学家不会给任何组织成功所需的动力。尽管毫无疑问，数据科学家是构建多模型模型的专家，包括信息技术团队、业务分析师、项目经理、设计师和人工智能团队中的人工智能团队，但他们将提供更广阔的视野，并有助于缓解最终部署问题。

·分析现有的硬件、软件、安全性、数据访问和控制，它们影响着整个生命周期。找出哪些地方存在差距、效率低下、不足和潜在领域可能会阻碍机器学习的进展。

·投资工具、技术和流程，不仅可以解决分析中发现的问题，还可以简化部署、维护和控制。

HPE提供了帮助企业成功实施ML的解决方案。HPE·埃兹肖莫梅操作系统是一个软件解决方案，它支持机器学习生命周期的每一个阶段，并为梅工作流带来了类似于德文普斯的速度和灵活性。

HPE·埃兹肖莫梅操作系统通过容器和库本内特支持整个梅生命周期。它为容器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，并且可以通过一键式模型轻松地部署到内部或云中的可扩展容器端点。数据科学家受益于单个平台，该平台可以跨任何基础架构平台监控和部署所有数据科学应用。更重要的是，企业可以快速运行机器学习模型，加快实现机器学习计划价值的时间，从而获得竞争优势。