ModelOps 是 AI Engineering 的核心，专注于人工智能（AI）、决策模型、深度分析的端到端治理与生命周期管理。
在构建好 AI 基础设施并配置好学习框架和推理引擎后，用户可以自行训练并验证模型，然后通过模型仓库发布模型或获取其他训练好的模型，实现模型的训练、部署与使用。不过在实际应用过程中，尤其是企业级部署、交付、管理 AI 大模型时，经常会遇到模型文件管理复杂、模型交付慢、多种模型难以高效统一管理等问题。另外，直接从模型仓库获取的 AI 大模型，也需要根据实际业务场景和业务数据进行模型微调，以达到企业级使用效果。这些就需要引入AI Engineering工具来实现 AI 大模型从实验室搭建到企业级应用的“最后一公里”。
根据《Demystify the Ops Landscape to Scale AI Initiatives: A Gartner Trend Insight Report》，ModelOps的核心工作包括模型的管理、部署、可解释性、回退/再训练/微调/升级、监控、整合、合规与审计、安全与私有化等方面（见下图）。通过 ModelOps，不同团队间可规范多种模型在不同环境（例如开发、测试和生产环境）中的构建、测试、部署、运行和监控方式，最终达到简化模型部署难度、提升推理性能与资源利用率、高效进行多模型管理的目标。
图源：《Demystify the Ops Landscape to Scale AI Initiatives: A Gartner Trend Insight Report》
更多 AI 知识科普、AI 大模型落地方案与 AI 基础设施建设实践，欢迎阅读往期内容：
AI 模型落地关键概念解读：推理引擎/ModelOps/MaaS/AI Agent…
AI实践分享｜以MCP简化IT运维管理，生成定制化报表（附操作演示）
SmartX AI 基础设施新增昇腾 NPU 与 MindIE 支持能力：方案与评测
如何基于 SmartX 超融合满足企业 DeepSeek 快速落地验证需求？
趋势洞察｜AI 会带动裸金属 K8s 强势崛起吗？
电子书：《构建企业 AI 基础设施：技术趋势、产品方案与测试验证》
