本指南由中國信通院云計算與大數據研究所、人工智能關鍵技術 和應用評測工業和信息化部重點實驗室聯合發布。本指南站在組織如何布局和落地 MLOps 的視角，以模型的G質量、可持續交付作為核 心邏輯，系統性梳理 MLOps 概念內涵、發展過程、落地挑戰等現狀， 并基于 MLOps 的理論研究和實踐案例分析組織如何構建 MLOps 框 架體系和關鍵能力，后總結和展望其發展趨勢。

由于 AI 產業的快速變革，MLOps 落地應用持續深入，工具市場 不斷迭代，我們對 MLOps 的認識還有待繼續深化，本指南可能仍存 在不足之處，歡迎大家批評指正。

IT 行業：應用 MLOps 后，美國某 IT 公司將開發和部署新 AI 服 務的時間縮短到原來的 1/12 到 1/6，運營成本降低 50%；德國某 IT 公司，通過自動化編排和實驗跟蹤，以相同的工作量運行 10 倍的實 驗數量

金融行業：應用 MLOps 后，新加坡某保險公司推理結果的生成 時間從幾天縮短至不到 1 小時

電子商務：應用 MLOps 后，荷蘭某酒店預定網站通過打通機器 學習模型生產流程，提G了生產規模，具備應用 150 個面向用戶的機 器學習模型的能力

制造業：應用 MLOps 后，土耳其某水泥制造公司通過提升模型 生產效率和質量，大大提升了 AI 賦能業務的能力，使得替代燃料的 使用量增加 7 倍，減少 2%的二氧化碳排放總量，成本降低 3900 萬美 元

化工行業：應用 MLOps 后，美國某化工企業將模型部署周期從 原來的 12 個月縮減至 30 到 90 天

...

附件：人工智能研發運營體系（ML0ps）實踐指南2023