为打造AI模型开发、交付以及运维过程中自动化的工作流程，保障业务流程稳定且持续运营，诸多行业正积极部署和落地MLOps研发运营体系，加快释放智能化转型潜力，从而推动AI规模化应用的步伐。中国信通院云计算与大数据研究所联合业界30余家单位已发布业内首个AI模型交付标准《人工智能研发运营一体化能力成熟度模型 第二部分：模型交付》（以下简称“MLOps模型交付”标准），目前本标准的首批试评估工作正在紧锣密鼓开展中。

MLOps系列标准的评估适合正在进行智能化转型或升级的组织，它针对机器学习等AI模型研发运营项目，以规模化生产高质量和低风险的AI模型为目标，全方位推动AI项目的管理能力建设。本项评估主要基于“MLOps模型交付”标准，重点关注模型及其服务的交付过程（包括构建、集成、部署、发布、测试等环节）的管理，帮助企业精确判断其交付能力现状，即评价AI项目在交付环节对高效率、快速响应、迭代等多元需求的应对能力，并诊断自身的缺点和不足。同时，通过评估可提供具有针对性的改进方向和提升路径，从而推动企业级AI工程化能力的提升。

“MLOps模型交付”标准包含构建集成、部署发布、模型测试、配置管理、度量改进共5个能力子域、10个能力项、28个能力子项和300余个细分能力要求，具体结构如下：

MLOps模型交付标准结构

本文是“MLOps模型交付”标准解读系列的第一篇文章，后续文章将对其他能力子域进行持续解读。

持续的构建集成通过高效的模型构建、自动化的测试、可视化的集成过程及灵活的反馈问题机制，解决机器学习等AI项目中开发与测试环境不一致、集成过程混乱无序、测试不充分、集成效率低下等问题，从而确保模型在后续部署上线的敏捷快速和安全可靠。

构建集成是指将代码、模型、配置等要素进行构建打包和集成测试，生产出可交付物（例如形态有部署包、镜像等）的过程，涵盖模型构建（模型训练过程）和模型服务构建。构建集成包括构建管理和持续集成两个部分。

针对构建模型过程中存在的配置易出错、过程难追踪等方面的问题，本标准的构建管理围绕自动化、可视化、可追溯等原则，对模型构建打包过程提出必要的技术和管理要求，有助于提高构建过程的执行质效。

构建管理聚焦由数据、代码、模型、配置等内容变更而触发的训练、编译、打包和面向目标环境适配的过程。构建管理包括构建过程、构建计划、模型转换与优化（若有）三个部分。

下图以构建过程作为示例，展示从1级到5级不同级别的细分能力要求：

模型的构建和集成往往需要频繁集成代码、模型等交付物，以实现用户无感知的版本更新，而这种敏捷迭代背后隐藏了巨大风险隐患。本标准的持续集成围绕自动化、可测试、可闭环、可持续性等原则，对于集成过程提出细粒度的要求，有助于发现潜在风险并及时反馈和修复问题，提升模型交付质量及交付速度。

持续集成（CI）是指在版本控制基础上，当数据、代码、模型、配置等发生变更时，快速地构建编译和集成测试等。持续集成包括集成过程、集成反馈两个部分。

下图以集成过程作为示例，展示从1级到5级不同级别的细分能力要求：

截至发稿日，已有多家企业报名了《人工智能研发运营一体化能力成熟度模型 第1部分：开发管理》和《人工智能研发运营一体化能力成熟度模型 第2部分：模型交付》的评测，欢迎更多参评企业与我们联系。

《人工智能研发运营一体化(Model/MLOps)能力成熟度模型 第3部分：模型运营》标准编制已进入组间交叉评审阶段，欢迎更多行业专家的加入，提出宝贵意见。