作为现代开发者，自动验证、测试、集成、部署开发成果，获取反馈并不断重复这个循环，是现代开发的成功之道。将这个循环赋予软件开发，则产生了 Devops；赋予数据建模，则催生了 MLOps。

从今年几笔融资案例来看，Tecton（$100M）、Diveplane（$25M）、Arize（$38M）、Galileo（$18M）等等，MLOps 正值火热。

而 MLOps 能提供什么价值呢？理论而言，MLOps 可以在较少成本下，通过前述自动化循环提升产品质量。具体来说，超过八成数据科学家和工程师每天都为找出 AI 系统中的错误所耗的时间而发愁，其中四成表示可能要耗费一周，通过 MLOps 可以有机会减少这个时间。一些 MLOps 平台可以监控数据流、计算延迟时间及处理成本、将历史数据进行在线训练等等。

考虑到机器学习的相关职位的薪酬在当下溢价高到夸张，将钱投资在节省从业人员的工作时间上显得尤其划算。即便如此，MLOps 也并不能作为 AI 行业的核心，否则将落入“工具导向”的陷阱。更重要的，也许是系统性理论学习，以及公司内 ML 文化的建立。

你折腾框架，我研究工具，她沉心学习，我们加起来，应该会有一个美好的未来。