機器學習（ML）及其背後的人工智慧（AI）潛力毋庸置疑。然而從長遠來看，企業中的ML應用往往未能充分發揮其應有價值。以下這個實際案例能夠很好地說明這一問題：某製造企業為生產環節啟動了兩個AI項目，一個用於自動化光學質量檢測，另一個用於輔助機器操作。原型系統在單條生產線上完成開發並投入使用，表現十分出色，堪稱完美成功。然而，這兩個應用始終停留在孤立狀態，由於日常運營協調有序、人力資源有限，無法將其推廣至其他生產線或應用場景。隨著時間推移，系統中的錯誤不斷積累，需要反覆進行費時費力的維護，直至工作量超出承受範圍，最終不得不停止使用。最初的成功漸漸成為過眼雲煙，未能留下任何持久的實質成果。
究竟哪裡出了問題？應用的開發階段是成功的，但對運營階段的關注嚴重不足。與其他軟體應用一樣，基於ML的系統同樣擁有完整的生命周期：首先，這個生命周期在初次部署後並未結束；其次，它涵蓋了傳統軟體所不具備的特殊環節。要從ML和AI中實現可持續、可擴展的價值，必須以整體視角主動管理整個生命周期。
近年來，Helbling的專家在多家企業中屢屢遇到與上述案例相似的情況，無論是內部業務流程，還是醫療技術、樓宇自動化、具身AI等領域的AI賦能產品，這一問題普遍存在。為應對這一挑戰，Helbling結合跨領域項目經驗，自主研發了機器學習生命周期模型，該模型融合了軟體工程、自動化與機器人專家的跨學科知識。
該生命周期模型共包含六個階段——從最初的用例定義到運營期間的監控與維護——並在五個維度上提出了相應的行動建議。
圖1：Helbling機器學習生命周期模型
ML生命周期模型的設計初衷是為ML項目規劃提供指引，確保在開發階段之外的運營事項能夠從早期階段開始得到持續關注。一個ML項目並非從一開始就涵蓋全部六個階段，通常從用例定義和原型開發這兩個初始階段起步，這兩個階段更具探索性，需要保持足夠的靈活性。生命周期模型有助於提前明確後續的關注重點：一是通過工具化活動構建的ML實驗基礎設施，將為後期數據準備和模型訓練的自動化奠定基礎；二是對代碼、數據、模型和硬體進行統一的版本管理，能夠在後期實現可復現性和可追溯性；三是產業化同樣應在ML項目中獲得足夠重視，與其他開發領域一樣，第一版原型不應直接部署到實際生產環境中。
以下這個成功項目案例展示了生命周期模型的實際應用，並在全文中註明了對應的相關階段。
機器學習運維（MLOps）與生命周期模型
機器學習運維（MLOps）是一種將機器學習系統推向生產環境的方法論，它彌合了開發（Dev）與運營（Ops）之間的鴻溝，實現ML模型部署過程中的自動化與標準化，提升ML模型成功進入生產環境的比例，並為未來的持續開發建立反饋閉環。
生命周期模型將MLOps作為重要組成部分納入其中，同時向前延伸至更早期的探索階段。初始ML項目並不從MLOps開始，而是應從早期階段便著眼於此、逐步推進。
從用例定義和原型開發到產業化
該項目源於一個複雜的製造工藝，以及在生產過程中而非在流程末端預測產品質量的設想（預測性質量管理）。項目團隊圍繞這一用例梳理了所需數據和潛在的ML模型（階段1）。第二階段為原型開發（階段2），核心目標是驗證該用例是否可行以及如何實現。為此，項目團隊細化了需求，採集並分析了數據，並對ML模型開展了實驗。這一過程中需要定製化的軟體工具，這些工具與模型同步開發並持續優化，為後期數據準備和模型訓練的自動化積累了寶貴經驗。
最初的用例很快被證明不可行——現有數據不足以支撐對絕對質量的預測。然而，通過驗證發現，預測質量變化是可行的。基於這一發現，項目團隊重新定義了用例並評估其價值（階段1），隨後利用現有數據和工具快速開發出針對修訂後用例的原型（階段2）。
在產業化階段（階段3），實驗室原型演進為穩健的實際應用。開發團隊完成了系統架構設計，擴充了訓練數據集，並對現有工具進行擴展，以實現訓練和數據準備的自動化。在這一階段，項目重心逐步從開發轉向運營，這種轉變並非截然分明，而是一個漸進的過程。
持續訓練、驗證與監控
與模型訓練同步，驗證工作也實現了自動化（階段4）。第一步是在數據集、評估指標和預期結果層面對評估標準進行規範化定義：以最近三個月的數據作為測試集，其餘歷史數據用於訓練。這一機制確保模型驗證始終貼近當前運營狀態，並使不同模型的預測結果可在統一基準上進行比較。
訓練完成的模型以獨立應用程式的形式部署，並集成至生產線的軟體系統中（階段5）。藉助自動化能力，未來的模型更新可以高效、低成本地完成上線。
該ML應用現已正式投入運營。在運行期間，系統自動將預測結果與實測產品質量進行比對，同時對輸入數據的一致性進行校驗（階段6）。此外，模型定期完成重新訓練和驗證（階段4），使得模型可靠性隨時間不斷提升，驗證結果也始終保持最新狀態。
在數據與機器學習相關工作之外，典型的DevOps任務在生命周期演進過程中也愈發重要。DevOps的目標是統一軟體開發與運營，以整體視角審視ML模型所嵌入的應用系統。版本控制在初始ML實驗階段便已引入，產業化完成後進一步擴展完善，最終形成覆蓋所有已部署模型的綜合配置管理體系。由於項目並不止步於單一模型——不同製造地點生產不同產品，各自需要獨立的模型——嚴格的版本控制使得前期開發成果得以復用於新模型的構建。統一的自動化機制也讓這些模型的創建、運營與管理更加高效。
小結
在上述案例中，將AI應用的生命周期納入整體考量，被證明是提升企業運營效率的關鍵成功因素。除內部流程優化外，Helbling機器學習生命周期模型所體現的方法論同樣適用於AI賦能產品的開發，為項目從規劃、執行到市場上市及上市後的全程提供指引，支持未來的規模化擴展並持續創造長期價值，同時幫助企業有效降低投資風險。
Helbling致力於協助企業將AI的承諾轉化為切實成果。一旦核心ML模型的高效運用得以建立，可量化的成功便會隨之而來。而在生命周期各階段積累的經驗，也將為進一步的發展積澱所需的成熟度。
Q&A
Q1：Helbling機器學習生命周期模型包含哪些階段？
A：Helbling機器學習生命周期模型共包含六個階段，從最初的用例定義出發，經過原型開發、產業化，再到自動化訓練與驗證、模型部署，最終進入運營期間的監控與維護階段。模型同時在五個維度上提出行動建議，幫助企業從早期階段便開始規劃運營相關事項，避免應用在部署後因缺乏維護而逐步失效。
Q2：MLOps在機器學習項目中起什麼作用？
A：MLOps是一種將機器學習系統推向生產環境的方法論，它彌合了開發與運營之間的鴻溝。其主要作用包括：實現ML模型部署的自動化與標準化、提升模型成功進入生產環境的比例，以及為未來持續開發建立反饋閉環。需要注意的是，MLOps並不是ML項目的起點，而是應從早期探索階段便開始逐步推進。
Q3：預測性質量管理項目中遇到了哪些挑戰，最終是如何解決的？
A：在該製造業項目中，團隊最初希望在生產過程中預測產品的絕對質量，但驗證發現現有數據資訊量不足，無法支撐這一目標。團隊隨即調整方向，將用例修改為預測質量變化，並利用已有數據和工具快速完成了新原型的開發。在此基礎上，通過自動化訓練、驗證和監控機制，模型可靠性持續提升，並成功實現跨產品、跨生產地點的規模化複製。
