我们对 A.I. 最大的恐惧，在资源紧张的行业里，反而可能成为它被采用时最大的救命稻草。也就是说，A.I. 的独特位置在于它可以增强人类劳动，让我们用更少资源做更多事，并把博物馆工作人员的时间释放出来，去处理更有意思的问题。虽然 MLOps 即使在深度学习社区内部也算前沿，在博物馆里更几乎无人听闻，但我会论证，博物馆工作环境中独有的特征，使这套技术栈成为最值得采用的对象；通过与开源社区合作，缺乏内部技术能力的问题可以被解决，同时也能凸显博物馆在社会中的独特角色：作为对话空间，以及让人批判性地参与我们所使用工具的空间。因此，这篇文章面向非技术受众，讨论以下领域：

博物馆技术生态系统中的关键挑战
机会 - 为什么是博物馆的 MLOps
案例研究
MLOps 看起来是什么样子
xOps（DevOps、DataOps 和 MLOps）概览
架构原则、工具和最佳实践
建议

我会从馆藏管理和相关使用场景的角度来看这个问题，但这里讨论的原则和流程，大体上也可以适用于机构技术生态系统中的其他系统。

博物馆技术生态系统中的关键挑战

博物馆技术专业人员经常提到的一个挑战，是大家对博物馆技术项目所需时间和投入的误解 [1]。这并不令人意外，因为博物馆行业的数字技能差距可能尤其严重，英格兰艺术委员会的机构中有 37% “称缺乏能力和知识是实现数字化愿景的主要障碍” [2]。当项目因缺乏技术熟练度而没有被合理界定范围，或估算很糟糕时，所有人最终都会沮丧。这不仅对博物馆行业是挑战，即使在 IT 内部也是如此，因为技术版图实在太广阔且迅速演变：区块链、原生 app 开发、web 开发、云技术、无服务器、混合现实、数据科学、机器学习、算法等等，都是非常不同且高度专门化的技能集，尽管它们都属于 IT 和数字技术这个超集。

如果机构的采购流程强制瀑布式开发，而又没有内部开发人员，通常最终会得到一组彼此断开的异构系统，互相不能沟通。这可能是因为这些是继承来的遗留系统，也可能是供应商没有动力把互操作性纳入他们的工作方式。结果是下游出现各种中断：大量重复流程（某个地方更新了，却不会自动同步到另一个地方），不同的人可能引用不同的文档来源，造成混乱。

这就像你不拥有自己一箱黄金的钥匙，每次想去找东西时，都要为进入自己的资产付费。更糟的是，你可能甚至不知道它究竟在哪里。即使有清楚的文档，供应商 A、B 和 C 构建并支持不同系统，也没有动力彼此协作；如果他们被要求一起工作，最后还可能互相推卸责任。这不是说博物馆应该变成科技公司。相反，重要的是理解内在约束，并勾勒理想终态，这样才能在这些约束下设计到达那里的最佳路线。

什么是 MLOps？

MLOps 就像是“实验室”条件下模型构建科学研究的另一面：工程侧。它是把计算机视觉概念验证 [3] 转化为生产环境所缺失的要素。

“整个 AI 都存在从概念验证到生产落地的鸿沟。一个机器学习项目的完整周期不只是建模，而是找到合适的数据、部署、监控、把数据反馈回［模型］、证明安全性，也就是完成［模型］部署所需要做的所有事情。［这］超出了在测试集上表现良好，而幸运或不幸的是，测试集表现正是我们机器学习领域最擅长的事。” — Andrew Ng

机会 - 为什么是博物馆的 MLOps

首先，博物馆做 MLOps 的一个主要原因，是把能提供最大可能投资回报的 A.I. 技术投入运营，如下方图 1 [4] 所示。

图 1. 按博物馆相关性和投入/成本两个维度映射的热门 AI 子类别。

相较于区块链和元宇宙这类被大肆炒作的技术，它们的设计空间远比可能使用场景宽广，因此在时间轴上还要远得多；A.I. 已经在 MATANA2 公司群中大规模部署，并且准备进入主流。从下面图 2 可以看到，与图 3 中的 NFT 和 Web3 等其他新兴技术相比，许多对博物馆行业尤其相关的 A.I. 创新现在已经处在 “Slope of Enlightenment” 阶段。