一家机构融资公司希望缩短其部署的人工智能(AI)和机器学习(ML)应用的上市时间。目标是缩短AI和ML应用的交付时间，这需要12到18个月的开发时间。交付时间过长危及公司在运营效率、法规遵从性、风险管理和商业智能领域实现上市时间目标的能力。

在采用生命周期管理软件开发和部署其AI和ML应用程序后，该公司能够将其AI和ML应用程序的上市时间缩短到几天，在某些情况下缩短到几个小时。流程改进使企业数据科学家能够将90%的时间用于数据模型开发，而不是将80%的时间用于解决笨拙的部署流程带来的技术挑战。

这一点很重要，因为你把大数据、人工智能和ML的建模、开发和交付过程延长的时间越长，你最终得到的建模、数据和应用程序在准备实施时就会过时的风险就越大。只有在合规领域，这才会产生风险和暴露。

为数据科学、人工智能和ML模式提供部署、监控和管理软件的ModelOP首席技术官Stu Bailey表示：“企业面临三大问题：启动人工智能和机器学习项目无法快速部署项目、数据性能衰减以及合规责任和损失。

查看github上托管的十大机器学习语言(免费PDF)(TechRepublic)。

Bailey认为，当及时将数据模型投入生产时，大多数问题都是由于数据科学、IT和业务团队之间缺乏所有权和协作造成的。反过来，这些延迟将对盈利能力和业务时间洞察力产生不利影响。

贝利说：“组织很难管理其数据模型生命周期的另一个原因是，有许多不同的方法和工具来生成数据科学和机器语言模型，但没有关于如何部署和管理它们的标准。

大数据、人工智能和ML生命周期的管理可能是一项非常艰巨的任务，它超越了使用软件和自动化来完成一些“繁重的工作”。此外，许多组织缺乏执行这些任务的战略和程序。在这种环境下，数据可能很快就会过时，应用程序逻辑和业务条件可能会改变，人类必须教给机器语言应用程序的新行为可能会被忽略。

参见：远程医疗、人工智能和深度学习正在创新医疗保健(免费PDF)(TechRepublic)。

组织如何确保他们在大数据、人工智能和ML应用程序上投入的时间和人才保持相关性？

大多数组织认识到数据科学、信息技术和最终用户之间的合作很重要，但他们可能不会坚持下去。部门之间的有效协作取决于每个人在数据准备、合规性、上市速度和ML学习方面遵循的明确政策和程序。

公司往往无法建立定期的时间间隔来更新现场大数据、人工智能和ML应用的逻辑和数据。学习周期应该是连续的——，这是保证算法与其环境并发的唯一方法。

就像他们的交易系统对手一样，一些AI和ML应用总有一天会流行起来。这是他们生命周期的结束，让他们退休是合适的。

如果你能自动化大数据、人工智能和ML的一些生命周期维护功能，那就去做。自动化软件可以实现数据科学、IT和生产之间的自动切换。这使得部署过程更加容易。

获取数据科学、大数据分析和人工智能方面的最新消息和最佳实践。