近年来，Line积极转型为一家AI企业，从自然语言处理、语音识别、计算机视觉、OCR、脸部识别、影音处理、资料分析到语音合成，各种AI技术都要涉猎。打开Line应用程序，无论浏览Line Today、Line TV、Line Music或是Line购物的页面，各种内容的个性化推荐，甚至是聊天消息的事实核实机制，背后都是靠ML模型来支持运行。
随着Line运用AI更深、更广，更加依赖AI来提供各项服务，Line也摸索出一套更快落地AI的方法，循序渐进的实践MLOps，从刚开始逐一导入辅助开发的工具，到进一步集成多项工具打造了ML平台，Line一步步重构过去的AI开发流程，就是要让Line集团的所有AI团队成员，通过一套更紧密分工协作的开发流程，加速AI规模化落地。
Line如何设计ML平台加强人员分工协作？
一开始实践MLOps时，Line韩国总部发起了一个名为Jutopia的ML平台开发项目，催生了Line当前AI开发的关键基础架构──ML Universe（简称MLU） 。Line台湾AI团队也跨国参与了这个项目，Line台湾资料工程部资深经理蔡景祥直言，这套系统性AI开发与运维方法就是MLOps。
Line中国的一位负责Jutopia项目的团队成员Changqin He，在去年底的Line开发者大会上首度公开了这项项目。他一开始就先提问：“资料科学家要通过什么方式，向企业说明数据分析的结果？资料工程师要如何确保程序的可靠性，维持每小时运行不中断？ML工程师又该如何保留ML开发过程的迭代，让其他项目重复使用？”
Line中国负责Jutopia项目的团队成员Changqin He表示，Line发起一项ML协作平台项目命名为Jutopia，目标要创建起一套标准化的ML开发工作流，通过系统性的AI协同开发方法，让AI各阶段的开发更顺畅。（图片来源／Youtube）
这三个问题，正是Netflix在思考未来的资料分析工具应具备哪些功能时，默认涵盖的三个方面，Netflix更以Jupyter Notebook，作为最可能实现上述三个场景的开发工具，决定在企业内深度导入使用。
Changqin He则是引用了这三个问题，点出AI协作的重要性，同样以Jupyter Notebook为核心发起一项ML协作平台项目，更取其前缀命名为Jutopia，目标要创建起一套标准化的ML开发工作流，通过系统性的AI协同开发方法，拉近开发团队成员间的距离，让AI各阶段的开发更顺畅。
比如说，Line的资料科学家过去在实例一个ML项目时，需要花费许多时间在工程端的程序开发上，身为过来人的蔡景祥形容，开发AI得从头到尾“手刻”一个ML开发流程，比如设置资料或模型的导入导出位置、系统间的串联，甚至是将模型打包成服务、部署上线等工作，全部都要包办。虽然也能将这些工作交由工程端人员执行，但两个角色之间也需要频繁沟通，才能确保开发流程不出错。
为了克服这个挑战，Line打造了一个ML平台（后来称为MLU）。这个平台最核心的功能，就将工程师各自打造的ML开发流程，转变为更容易重复使用的标准化流程，让工程师实例不同ML项目时，不用再花时间重新打造轮子。甚至，直接通过MLU平台的编辑器功能，就能快速设置不同项目各自需要的ML流程配置，再由系统自动执行指令，来完成开发环境的配置。
不只如此，MLU平台还集成了多项开发工具，让用户能在平台上直接调用开发工具来使用，而不用担心个别软件的开发环境设置，通过各种开发工具在不同环节的应用，不仅能进一步提升AI开发效率，也能同时作为沟通凭借，让不同角色成员能更容易介入协作。
“我们希望让写模型的人专心写模型，应用开发的人专心开发应用，不用再费心处理繁琐的系统串联与维护工作。”蔡景祥表示，让每个角色都能专注于自己的专业技能，来更有效率地进行AI开发，就是MLU平台创建的初衷。
Line如何角色分工参与AI关键任务开发？
“在AI开发流程中，没有人可以从头到尾做完所有事情。”蔡景祥坦言，随着AI团队逐渐扩大，会逐渐分化出不同的开发角色，这些角色可能包括了负责特征处理的资料工程师、负责模型开发的ML工程师、部署模型的IT运维人员，甚至不只是开发与运维端的人员，连商业面的资料分析师或产品经理，都需要在不同的开发阶段，运用各自的专业来优化AI。
像是在Line资料工程团队中，也分化出多样的角色来共同开发AI，分别是资料工程师、ML工程师、ML服务工程师，以及资料分析师4大角色。
若以打造游乐园来比喻，蔡景祥指出，资料工程师的任务，就是打造游乐园的基础建设，通过创建起一个稳固的资料收集设施，来根据需求搜集资料，需擅长如大数据架构、SQL、ETL、消息队列（Message queuing）等技术。
ML工程师，则像是游乐园的设计师，负责选出适当的资料集与算法，来创建起合适的ML模型，需具备的技能包括机器学习、深度学习、计算机视觉、NLP等。
ML服务工程师，则像是游乐园基础建设的实际施工与维护者，主要负责创建并运维一个ML平台，需熟悉的技术包括系统基础建设设计、DevOps。
资料分析师，则需比工程师具备更多的商业思维，要能够利用统计的方法，来分析模型上线后的实际成效，类似于在游乐园中观察哪些设施需要改善的角色，因此需具备商业知识、熟悉统计及资料可视化等技能。
除了分化出4大不同专业的AI开发角色，Line也将ML工作流程分为6大环节，分别是准备资料、探索资料、开发模型、训练模型、测试模型与部署上线，蔡景祥也以Line台湾实例AI的经验，来说明不同角色如何在各个开发环节中进行协作。
首先，在准备资料的阶段，由于领域知识扮演了重要角色，在资料标注的过程中，需要产品端、资料分析与资料工程专家相互协作，来筛选出有效的资料提供后续使用。
接着，进入探索资料阶段，则会交由ML工程师，根据资料特性来发掘资料潜在的价值，并通过特征工程萃取所需的资料特征。
有了资料，就能进入模型开发的阶段，此时，会需通过ML工程师、资料工程师及资料分析师的协作，选择适当的算法来开发模型，在这个阶段中，算法的挑选与模型的版本控制，成为协作过程中的重要的课题。
而后进入模型训练的阶段，则会交由ML工程师，负责进行超参数的调整与硬件计算资源的调度。
模型训练完成后，将进入测试模型的环节，同样交由ML工程师负责，来验证模型是否确实有效、是否达到预期的效益。
若没问题，就会进入最后的部署上线阶段，需要ML工程师、ML服务工程师共同协作，来确保模型在实验环境与线上环境中的表现并不会产生太大偏差，也不会随着时间衰退，实际部署后也要能应对大流量的预测需求，才能有效扩大提供服务。
“MLOps是一个在ML全生命周期中，涉及到的所有人员共同协作的方法。”蔡景祥表示，该如何让不同角色在ML开发各阶段相互协作，就是Line的AI团队，想用MLOps做到的事。