一個AI專案包含了資料處理、模型開發、驗證到部署上線等階段，形成了一個週期性的工作流程，當中所要考量的因素非常多，包括成員人數、資源分配、模型維護等，面對這些挑戰，有沒有哪些工具可以協助企業，在發展 AI 專案時，能更有效率的控制流程？

機器學習（Machine Learning ）在企業中面臨的挑戰

HPE 技術規劃處資訊系統技術經理楊秦怡認為，企業的 AI 專案開發，通常是為了部署上線並達到開發目的，過程中受先會遇到的就是規模問題，也就是參與專案的多位成員在開發階段的資源分配，例如訓練時將會使用到多少資源，對於後續的部署是否會產生影響等。其次，則是模型訓練過程中的資料版本控管問題，隨著資料越來越多，除了版本控管、來源追蹤，以及儲存空間的問題需要解決。

整個開發的週期中，每個部分都有不同工具可以選擇使用。但是在不同的架構中，再加上參與成員的使用習慣並不一定相同，也就成了專案開發的重要議題。

HPE Ezmeral ML Ops 如何解決ML在企業的挑戰

楊秦怡提到，近期企業開始注意到雲端的議題，在規劃解決方案時，除了本地機房的建置之外，雲端服務也慢慢成為考慮的選項；而 ML Ops 也能支援地端、雲端及混合雲的應用。

HPE Ezmeral ML Ops 主要是從企業角度出發，協助管理專案中可能遇到的大小問題。除了能支援較大的專案規模，並透過 Container 的方式，以提供使用上的彈性，其所提供整合管理平台，更能幫助使用者在模型建立、訓練、部署，及維護等 AI 專案中的四大重要事項，進行流程與使用工具的管理。

在企業的 AI 專案中，成員的資源分配也是常見問題，此外，還包括當有很多資源（resource）要分配時，該如何建立叢集（Create Cluster)，以及模型部署上線後，要是服務量增加的話，該怎麼放大或縮小。更重要的是，要能協同運作。

此外，資安風險的控制也是企業十分在意的點。因此，包括在模型使用資料的來源與追蹤，以及溯源的管理都是 ML Ops 的操作重點。

ML Ops 主要就是協助專案團隊進行生命週期管理，藉由標準化程序、Security 的控管 、Governance，以及平台的管理協助企業克服機器學習落地時，所會產生的挑戰。

更多詳盡的實務操作，請參考【AI CAFÉ 線上聽】MLOps展示 - 以 HPE Ezmeral ML Ops 為例。