AI 实践化：关于 MLOps 实践、用户满意度和组织背景的实证证据
软件工程
2025-10-14 v1 人工智能
计算与语言
人机交互
机器学习
摘要
组织对人工智能 (AI) 的利用和实践化往往伴随着显著的挑战，包括可扩展性、维护以及跨团队协调。在此背景下，机器学习操作 (MLOps) 概念作为一套将软件工程原则与管理 ML 生命周期独特需求相结合的最佳实践而浮现。然而，关于这些实践是否支持用户开发和实践化 AI 应用程序，以及如何支持，仍缺乏实证证据。为填补这一空白，本研究分析了来自 G2.com 的 8000 多条 AI 开发平台用户评论。利用零样本分类，我们衡量了对九项既定 MLOps 实践（包括持续集成和交付 (CI/CD)、工作流程编排、可重复性、版本控制、协作和监控）的评论情感。其中七项九项实践显示出与用户满意度显著正相关，表明有效的 MLOps 实现为 AI 开发带来了实际价值。然而，组织背景也很重要：来自小型企业的评论者讨论这些 MLOps 实践的频率更低，表明组织背景影响 MLOps 的流行程度和显著性，但公司规模并不调节 MLOps-满意度之间的关系。这表明一旦采用，MLOps 实践将被视为在组织环境中普遍有益的。
引用
@article{arxiv.2510.09968,
title = {Operationalizing AI: Empirical Evidence on MLOps Practices, User Satisfaction, and Organizational Context},
author = {Stefan Pasch},
journal= {arXiv preprint arXiv:2510.09968},
year = {2025}
}