本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。

# 常见问题解答
<a name="faq"></a>

**我应于何时构建 MLOps 平台？**

当您注意到工程师在研究和寻求工具选项批准所花的时间，比在构建 ML 模型上花费的时间更多时，就该在 MLOps 平台上实现标准化了。

**我能否将其他 ML 工具集成到 MLOps 平台中？**

可以。您可以将非AWS 工具集成到平台中。虽然 SageMaker AI Studio 是 mLOpS 平台的核心，但你仍然可以将其他产品与 SageMaker AI Studio 的服务套件集成。

**我的组织如何简化治理要求以加快创新？**

作为您选择用于证明 MLOps 平台构建的候选用例的一部分，请确保用例具有足够的复杂性，需要各种数据分类以及大数据量。这样做不仅可以证明平台的功能，还可以作为最初平台发布的一部分，从治理的角度完成繁重的工作。如果能做到这一点，那么在推出过程中采用 MLOps 平台的团队将减轻治理负担，因为他们使用的平台已经满足复杂用例的治理要求。

**构建 MLOps 平台需要哪些团队？**

强大的 MLOps 基础可以明确定义多个角色和技术之间的交互，可以缩短价值实现时间，降低成本，并使数据科学家能够专注于创新。拥有合适的团队可能是 MLOps 平台开发失败与成功的差异之处。由于 MLOP 的性质，需要涉及许多角色，例如数据科学家、机器学习工程师、 DevOps 专业人士、数据所有者、IT 所有者、业务分析师和产品负责人。确保所有利益相关者在跨职能团队中进行互动，以确保 MLOps 平台取得最佳成果。

**我如何开启 MLOps 之旅？**

首先，您可以创建一个安全的实验环境，让数据科学家接收数据快照。数据科学家可以使用 SageMaker AI 进行实验，并最终证明机器学习可以解决特定的业务问题。

**在组织中，MLOps 的转型应该由自上而下还是自下而上的方法进行推动？**

虽然自下而上的方法可以取得成功，但领导层的支持对 MLOps 平台开发的成功至关重要。通过自上而下的方法，您可以确保更快地标准化已开发的解决方案，降低成本，并提高组织内不同团队所开发模型之间的可扩展性和可重复使用性。