在決定是否購買或構建您的 AI 監控系統時，需要考慮許多因素。歸根結底，這取決于您是否能夠以您可以負擔的成本并及時地完成您通過 ML 監控設定的目標。

什么時候建造有意義

1.你的AI程序不成熟;您的需求很簡單/基本

監控生產 AI 的需求通常很早就出現，通常是在公司在業務中部署其第一個 ML 模型之前。數據科學團隊普遍理解隨著時間推移對數據完整性和模型保真度的可見性的重要性，以及部署后優化和改進的需要。但是，在某些情況下，當您仍然主要是試驗或僅使用手動和離線流程時，可能沒有太多的數據復雜性，并且可能在業務中的采用水平仍然很低，因此風險不大很高。在這些情況下，這些團隊可能只需要一個帶有基本警報的簡單儀表板，而 Grafana 或 Kibana 等開源工具可以在此時滿足這些需求。

2. 您的 AI 監控需求非常小眾，行業解決方案不太可能滿足

您的業??務可能有特定要求，因此采用外部解決方案將非常具有挑戰性。在某些情況下，公司可能有嚴格的安全措施，不允許安裝其他第三方解決方案——例如，在封閉、安全的客戶物理站點中部署計算機視覺系統時，系統可以有效地離線獨立工作并且不允許要安裝的其他工具。在這個特定示例中，唯一可行的方法是在 AI 系統中建立監控。

3. 你有一個擁有監控專業知識和專注力的大型中央工程團隊

許多公司以其強大的工程人才而自豪。然而，一些公司的工程團隊非常龐大，并且是組織的核心。這些通常包括廣泛的領域專家，包括 AI 監控專家。從文化上講，這些公司一直在為所有事物構建自己的堆棧(想想谷歌、LinkedIn，甚至優步)。構建您自己的堆棧可以保證您的內部需求與 ML 監控系統中內置的功能完美契合，并且可能會有一個專門的團隊來為您提供支持。相對于外部解決方案的成本，這些好處通常伴隨著巨大的開發和維護成本。

什么時候買有意義

1. 您想利用行業的最佳實踐和專業知識

從頭開始構建 AI 監控平臺需要豐富的專業知識和大量致力于開發和維護軟件的員工，而您的組織可能沒有足夠的專業內部人才來實現這一點。由監控提供商構建的 ML 監控平臺對有價值的產品功能和集成有深入的了解，因為他們從所有客戶那里收集反饋，并且他們的工作實際上是保持在模型監控領域的最前沿。因此，購買人工智能監控系統可能是一種更好的長期方法，以跟上所需的任何進步和必要的變化。

2. 你想讓你的工程師專注于產品，而不是支持基礎設施

讓您的工程師和數據科學家專注于構建他們最擅長的領域也很重要：您的產品。構建內部 AI 監控解決方案需要他們將注意力轉移到支持工具上，而不是支持公司的骨干。此外，請記住從您當前的數據科學家和工程師那里構建解決方案所需的時間和資源，他們已經為當前的日常任務承擔了全部工作量。

3. 你寧愿積極主動，早日解決人工智能監控問題

購買人工智能監控系統(相對于構建一個)可以減少公司最初投資的時間。外部解決方案已“準備就緒”。部署和載入 AI 監控平臺所需的時間遠遠少于從頭開始構建 AI 系統所需的時間。如果 AI 是您業務的核心，或者您有需要監控的 AI 用例，那么時機可能至關重要。確保您的模型以應有的方式執行可能會為您的數據科學家和您的業務節省很多麻煩。

4.您想降低開發和維護的長期成本

購買 AI 監控系統以降低持續的開發維護成本具有長期的經濟利益。您的企業可能對 ML 監控解決方案有前期需求，但隨著業務(和 AI 程序)的持續增長，需求可能會發生變化。企業級的外部監控解決方案應與您的 AI 程序一起擴展，并可能提供一種更具成本效益的方式來支持您未來的需求。

為您的業務選擇合適的 AI 監控系統

每個企業主都希望確保他們公司的人工智能監控系統能夠正常工作。有很多公司提供 ML 監控解決方案，但并非所有公司都是平等的。在投資任何類型的 AI 監控解決方案之前，請評估以下三個因素：主動智能、靈活性和可擴展性. 主動智能意味著模型監控就是要提前解決問題，因此您希望您的監控解決方案能夠持續、系統地發現相關問題及其根本原因。靈活性是指能夠滿足您的特定業務需求并擴展以支持您未來的需求，可能跨越多個 AI 堆棧和多個業務用例。最后，可擴展性是關于能夠支持您的 AI 程序的增長、跨環境和技術的過渡以及能夠以零干擾或軟件性能下降的方式觀察 AI 工作流程。