大多数组织认识到机器学习（ML）的变革优势，并已采取措施实施它。
但是，在生产中部署ML模型并进行大规模操作时，他们仍然面临一些挑战。
这些挑战源于大多数企业ML工作流缺乏通常与软件工程相关的标准化流程这一事实。
答案是一套统称为MLOps（机器学习操作）的标准实践。
MLOps为ML生命周期带来了标准化，从而帮助公司从试验过渡到大规模ML部署。
在最近的一项研究中，Forrester发现98％的IT领导者相信MLOps将为其公司带来竞争优势并提高盈利能力。
但是只有6％的人认为他们的MLOps功能已经成熟或非常成熟。
那么，为什么差距如此之大呢？很少有公司在ML模型的开发和部署方面拥有健壮且可行的流程。
这不一定是由于缺乏审判或批准而造成的，这并不容易。
希望继续使用ML来改善其业务流程或提供新的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MLOps功能缺乏功能·机器学习开发与运营团队之间的协作不足缺乏凝聚力和高效的技术工具链·跨团队位置（云和本地）分布的数据的安全性和控制能力公司如何克服这些挑战并从人工智能（AI）和机器学习中受益？在企业级实施ML并部署更多ML用例的关键步骤是什么？根据HPE / Forrester论文的发现，操作过程分为四个步骤。
·发现并执行可以快速揭示工作结果的高优先级，高投资回报率的机器学习用例。
换句话说，确保用例在技术上可行并具有影响力对于为实施机器学习奠定基础至关重要。
·建立合适的AI团队。
处于真空状态的数据科学家不会给任何组织带来成功所需的动力。
尽管毫无疑问，数据科学家无疑是构建ML模型的专家，包括IT团队，业务分析师，项目经理，设计师和AI团队中的AI团队。
它们将提供更广阔的视野，并有助于缓解最终部署问题。
。
·分析影响整个机器学习生命周期的现有硬件，软件，安全性，数据访问和控制。
确定哪里存在差距，效率低下，不足和可能阻碍机器学习进展的潜在领域。
·投资可以解决分析中发现的问题的工具，技术和流程，同时简化部署，维护和控制。
HPE提供的解决方案可以帮助公司成功实施ML。
HPE Ezmeral ML Ops是一种软件解决方案，为机器学习生命周期的每个阶段提供支持，并为ML工作流带来类似于DevOps的速度和敏捷性。
HP Ezmeral ML Ops使用容器和Kubernetes支持整个ML生命周期。
它为容器化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将其部署到本地或云中的可伸缩容器化端点。
数据科学家受益于一个平台，该平台可以跨任何基础架构平台监视和部署所有数据科学应用程序。
更重要的是，公司可以快速运行机器学习模型并加快实现其机器学习程序价值的时间，从而获得竞争优势。
