大型语言模型（LLM）将彻底改变我们构建和维护人工智能系统和产品的方式。在OpenAI的GPT、Meta的Llama和谷歌的BERT等LLM发布后，它们能够生成类似人类的文本、理解上下文并执行广泛的自然语言处理（NLP）任务。一种被称为“LLMOps”的新方法已经发展起来，并成为每个AI/ML社区的话题，以简化我们在生产中开发、部署和维护LLM的方式。

什么是LLMOps？

LLMOps代表大型语言模型操作，字面意思是“LLM的MLOps”，这意味着它是MLOps的一个子类别，专注于新的工具集、架构原则和最佳实践，以操作基于LLM的应用程序的生命周期。

以下是LLMOps的关键方面，展示了它们在成功实现基于LLM的应用程序中的重要性。

• 数据管理：摄入、清洁、贴标签、储存。
• 模型开发：选择基础模型，微调，评估。
• 模型部署：监控、维护、优化。
• 安全和隐私：护栏、访问控制、加密、合规、保密。
• 道德和公平：解决偏见，负责任，透明。

MLOps与LLMOps🥊

MLOps和LLMOps有很多相似之处，然而，它们之间的差异是基于我们使用经典ML模型与LLM构建人工智能产品的方式。

https://media.giphy.com/media/N9oq9rijUWT3q/giphy-downsized-large.gif

1） 数据管理

在MLOps中，数据预处理是ML模型开发过程中最关键的一步，因为它会影响模型的质量和性能。从头开始训练神经网络通常需要大量的标记数据，然而，微调预先训练的模型所需的数据量相对较少。

在LLMOps中，数据质量和多样性对于有效的大型语言模型非常重要。然而，微调预先训练的模型与MLOps非常相似。此外，即时工程引入了零样本和少热点学习等新技术，包括使用谨慎手工挑选的样本和精确策划的数据，而不是大量潜在的不规则数据，最终提高了模型完成特定任务的能力。

2） 模型实验

在MLOps中，开发过程包括运行许多实验，并将其结果与其他实验进行比较，以及开发性能最佳的配置，其中包括跟踪输入，如代码、训练和验证数据、模型架构和超参数，以及输出，如评估指标和模型权重。

在LLMOps中，由于LLM能够从原始数据中有效学习，因此特征工程的重要性变得不那么重要。微调与MLOps有着相似的路径，但它旨在使用特定领域的数据集提高模型在特定任务上的性能。即时工程在LLM中也越来越受欢迎，LLM对输入进行调整，使输出以更少的精力和资源与预期相匹配。

3） 模型评估

在MLOps中，根据问题类型（分类、回归等）和其他技术，如交叉验证、学习曲线、基线模型比较、交叉验证、超参数调整和混淆矩阵，通过评估其在保留验证集上执行的能力来评估模型性能，评估指标包括准确性、精确度、召回率、F1分数或均方误差（MSE）。

在LLMOps中，使用ROUGE、BERT和BLEU分数等内在指标来评估模型性能，这些指标侧重于测量响应与提供的参考答案的相似性。人工评估涉及专家或众包员工在特定背景下评估LLM的产出或绩效。特定于任务的基准，如GLUE或SuperGLUE，使用一组预定义的任务来评估LLM，每个任务都有完善的指标。

4） 成本

在MLOps中，成本因素包括与数据收集和准备、实验计算资源、特征工程和超参数调整相关的费用。

而在LLMOps中，主要的成本因素是生产中的模型推理，这需要昂贵的基于GPU的计算实例才能获得更好的性能，而像OpenAI的GPT-3.5和GPT-4模型这样的闭源适当LLM的使用也会导致API服务成本。

5） 延迟

在MLOps中，由于计算复杂性、模型大小、硬件限制、数据预处理开销、网络延迟、并发用户需求和软件相关的低效率等因素，可能会出现延迟问题。它可能会阻碍依赖及时预测的应用程序的实时或接近实时的性能，影响自治系统、实时决策和快速响应至关重要的场景中的用户体验等领域。

在LLMOps中，由于LLM的巨大规模和复杂性，加上文本理解和生成所需的大量计算，延迟问题更加突出，这可能会导致大量的处理时间，影响使用这些模型的应用程序的响应能力。此类延迟问题可能会影响实时交互、聊天机器人、内容生成和其他与语言相关的任务，在这些任务中，快速无缝的语言理解和生成对于获得满意的用户体验至关重要。

简而言之

LLMOps是MLOps的一个特殊用例，预计它将继续以新的维度发展，并以巨大的速度增长。在某种程度上，LLMOps可以被视为MLOps关键方面的重大偏差，包括训练、部署和维护，这就是为什么它需要一种不同的理解方法和话语。

References

[1] Chip Huyen, Building LLM applications for production (2023), Chip Huyen’s Blog

[2] Cyces Innovation Labs, The A to Z of LLMOps: Breakdown for beginners (2023), Cyces’ Blog

[3] Hakan Tekgul, A Developer’s Guide To LLMOps: MLOps for Operationalizing LLMs (2023), Arize AI’s Blog

[4] Leonie, Understanding LLMOps: Large Language Model Operations (2023), Weights & Biases

[5] Tim Leers, From MLOps to LLMOps — what’s the difference? (2023), Dataroots

[6] Vinija Jain, LLMOps (2023), Vinija Jain’s Blog