近年来，缩写“Ops”在 IT 运营中迅速增加。IT 运营正在转向自动化流程以改善客户交付。传统应用程序开发使用 DevOps 实施[持续集成 (CI) 和持续部署 (CD)]。确切的交付和部署过程可能不适合数据密集型机器学习和人工智能 (AI) 应用程序。
本文将定义不同的“Ops”并解释它们对以下内容的工作：DevOps，DataOps，MLOps和AIOps。
DevOps
这种做法使开发 (Dev) 和运营 (Ops) 之间的协作自动化。主要目标是更快速、更可靠地交付软件产品，并持续交付高质量的软件。DevOps是对敏捷软件开发流程/敏捷工作方式的补充。
数据操作
[DataOps]是一种将集成的、面向流程的数据与自动化相结合以提高数据质量、协作和分析能力的实践或技术。它主要处理数据科学家、数据工程师和其他数据专业人员之间的合作。
MLOps
[MLOps]是一种可靠、高效地开发和部署机器学习模型的实践或技术 。MLOps是 DevOps、ML 和数据工程交叉的一组实践。
人工智能运维
[AIOps]是自动化和简化自然语言处理和机器学习模型的操作工作流程的功能过程。机器学习和大数据是 AIOps 的主要方面，因为 AI 需要使用 ML 模型从不同系统和流程获取数据。AI 由机器学习模型驱动，以创建、部署、训练和分析数据以获得准确的结果。
根据 IBM 开发人员的说法，以下是典型的“Ops”协同工作：
图片来源：IBM
集体比较
下表描述了 DevOps、DataOps、MLOps 和 AIOps 之间的比较：
概括
总之，由于业务流程变得越来越复杂，IT 系统随着新技术的出现而动态变化，由单个项目团队管理系统的时代已经走到尽头。作为 DevOps、DataOps、MLOps 和 AIOps 流程的一部分，详细的实施涉及协作实践、自动化、监控和对持续改进的关注。DevOps 主要关注 IT 流程和软件开发，而 DataOps 和 MLOps 方法则侧重于改善 IT 和业务协作以及组织中的整体数据使用。DataOps 工作流利用 DevOps 原则来管理数据工作流。MLOps 还利用 DevOps 原则来管理内置[机器学习的]应用程序。
