目前存在多种用于构建人工智能项目的正式方法论。其中应用广泛的是CRISP-DM，根据行业调查，约有 60% 的数据科学项目采用了该方法。

CRISP-DM（跨行业数据挖掘标准流程）定义了六个阶段：业务理解、数据理解、数据准备、建模、评估和部署。它是一个迭代过程——虽然会不断推进，但也会经常回顾之前的阶段，以获得新的见解。CRISP-DM 对于人工智能经验有限的组织来说尤其有价值，因为它提供了清晰的结构和治理检查点。

MLOps 方法论专注于人工智能的生产和运维层面。它并非将模型开发视为一个独立的项目，而是将其视为一个持续的过程，包含自动化测试、部署和监控。谷歌的 MLOps 框架概述了自动化和监控的三个成熟度级别。这种方法在人工智能实践成熟的组织中越来越普遍，并且对于从一两个模型扩展到几十个甚至几百个模型至关重要。

敏捷方法将传统的敏捷软件开发模式应用于人工智能领域，把项目分解成两周的迭代周期，并定期进行回顾和调整。这种方法对于拥有强大敏捷文化的组织来说非常有效，但需要严格遵守相关规定，避免将人工智能项目视为传统的软件项目。

大多数中型企业都能从混合方法中获益：先使用 CRISP-DM 结构进行问题定义、数据准备和初始模型开发，然后在模型投入生产后过渡到 MLOps 实践。这种方法既满足了前期周密规划的需求，又兼顾了迭代改进的灵活性。

本文链接：http://www.rhjmzc.cn/newsdetail_3400477.html