（原標題：Data-centric 還是 Model-centric？看格物鈦等大咖熱議MLOps）

　　 人工智能 (AI) 正在吸引越來越多的企業投資。隨著機器學習（Machine Learning， ML）技術的發展，MLOps和MLaaS（Machine Learning as a Service）開始產生更廣泛的影響，可釋放的潛在價值正在出現增長。

　　 MLOps不再被狹義地定義為“將DevOps的原理應用于機器學習程序的能力”，因為這樣會忽略MLOps對客戶的價值。MLOps是機器學習時代的DevOps，它的主要作用就是連接模型構建團隊和運維團隊，建立起一套標準化的模型開發、部署與運維流程，使得企業組織能更好的利用機器學習的能力來促進業務增長。在MLOps的生命周期里，一些優秀的早期初創公司已經出現，海外如Scale AI、Aquarium，中國如格物鈦、深度賦智等。

　　 由耀途資本、全美華人數據科學與工程協會和工友記主辦的MLOps MLaaS-AI與數據科學技術發展及商業價值探討活動即將來襲，AI新基建領域新秀格物鈦受邀與海內外的數據科學家和投資人一起深入交流、探討賽道熱點。

　　 本期AI與數據科學技術發展及商業價值探討活動主題將圍繞MLOps在數據工程部署中的Data-centric VS Model-centric的應用策略，及由此引發的MLOps未來發展趨勢展開討論。格物鈦創始人兼CEO崔運凱將作為Data-centric開發理念的代表，與Model-centric開發理念的代表深度賦智創始人兼CEO吳承霖展開一場精彩辯論，共同與來自一線的創業者、VC、數據科學家們對這一千億美元的技術市場做深度分析。

　　 在機器學習領域一直存在Data-centric 和 Model-centric 策略之爭。從以模型為中心的角度來看，工程師更加偏愛從模型出發，努力通過特征工程使數據適合其模型。當現有模型無法充分解決問題時，他們將開發足以解決問題的新模型。

　　 從以數據為中心的角度來看，解決方案是調整數據。Data-centric的擁躉們認為模型雖然有用，但只是對數據的直接分析的補充。數據決定了模型的上限，如果數據質量較差，解決方案是找到一種方法來獲取更高質量的數據，而不是找到更健壯的模型或更好的特征工程。他們試圖了解數據的來源，生成方式以及數據集中可能缺少的內容并構建了復雜的可視化文件以全面了解數據。人工智能和機器學習領域國際最權威學者之一吳恩達，今年3月在MLOps的直播講座強調數據質量比模型調優更為重要和有效，甚至舉辦了Data-centric的比賽，為了保證數據質量，吳恩達認為MLOps可以解決這個問題。

　　 格物鈦作為一家專注打造人工智能新型基礎設施的初創企業，正在以數據為中心的開發方式，幫助AI開發者解決日益增長的非結構化數據難題。借助格物鈦非結構化數據平臺和公開數據集社區，機器學習團隊和個人可進行數據管理、查詢、協同、可視化和版本控制等高效操作，降低高質量數據獲取、存儲和處理成本，加速AI開發和產品創新，釋放海量非結構化數據的商業價值。