说到 MLOps 与 DevOps，MLOps 比简单地将 DevOps 实践应用于 ML 要复杂一些。事实上，大规模管理 ML 生命周期具有挑战性有三个关键原因：
碎片化的 AI 工具格局：与 DevOps 相比，AI 工具格局高度碎片化且不断变化。它涉及许多异构技术和实践。由于有众多可用的框架、库和平台，组织必须根据其特定需求选择合适的工具。同时，他们必须确保整个机器学习流程的兼容性和互操作性。
多学科协作：大规模运营 AI 是一项团队 喀麦隆 Whatsapp 数据 活动，并不是每个人都说同一种语言。尽管 ML 生命周期涉及不同的团队（技术、业务等），但他们使用的工具并不相同。而且在许多情况下，这些不同的人员甚至不具备基本技能，这使得协作变得具有挑战性。弥合这些不同利益相关者之间的沟通鸿沟对于推动 MLOps 的成功实施至关重要。
技能组合不一致：（大多数）数据科学家既不是软件工程师也不是数据工程师。他们大多专攻模型构建和评估，不一定是模型部署和维护方面的专家。但是，如果他们想看到自己的工作成果投入生产，他们往往别无选择，只能致力于模型部署。这种技能组合上的差异可能会导致 MLOps 工作流程效率低下和出现瓶颈。