AI Data Ops 與 MLOps 的分工
Digital Divide Data 釐清 AI Data Operations 與 MLOps 的分工：前者管資料，後者管模型上線與維運。
AI Data Operations 管理模型學習的資料，MLOps 負責模型在生產環境中的運行。
Digital Divide Data 在 2026 年 6 月 29 日的一篇文章中，把這兩個常被混在一起的職能拆開來看。作者 udit khanna 指出，很多團隊只做了 MLOps，卻沒把資料層的責任講清楚。
| 項目 | 數值 |
|---|---|
| Publication date | June 29, 2026 |
| AI Data Operations scope | Collection, annotation, curation, human feedback, evaluation sets |
| MLOps scope | Training, deployment, monitoring, retraining |
| Main failure mode | Upstream data drift or label drift |
發生了什麼
訂閱 AI 趨勢週報
每週精選模型發布、工具應用與深度分析，直送信箱。不定期，不騷擾。
不會寄垃圾信，隨時可取消。
這篇文章先把邊界畫得很清楚：Digital Divide Data 所說的 AI Data Operations，管的是模型學習前與評測時用到的資料資產；MLOps 則管訓練後的部署、監控與重訓。兩者都重要，但責任不同。
作者把 AI Data Operations 定義成資料收集、標註、整理、人工回饋與評估集管理。這些工作看起來像前置作業，實際上卻直接決定模型看到的是什麼、學到的是什麼，以及測試時會被怎麼評分。
文章也提醒，很多小型 AI 專案常由同一組人把資料和模型一起處理，表面上省事，實際上會把問題來源藏起來。模型在 production 出現異常時，真正的原因往往不是程式碼，而是標籤定義變了、資料整理流程改了，或某個欄位在管線中被漏掉。
- AI Data Operations 關注資料品質、標註一致性與評估集可用性。
- MLOps 關注可重現性、可追溯性與線上行為。
- 前者更像資料層治理，後者更像模型生命週期管理。
- 作者也把 AI Data Operations 放在 data-centric AI 的脈絡，而不是傳統 DataOps。
這種切法的重點，是把「資料能不能用」和「模型能不能跑」分成兩個問題。前者決定模型學到什麼，後者決定模型能不能穩定交付。
為什麼重要
對開發者來說，這篇文章最實際的提醒是：離線測試過關，不代表線上就會正常。只要資料過時、標註含糊，或資料分布悄悄漂移，模型就可能在真實場景裡失準。
這也會改變團隊分工。當資料團隊、標註團隊與模型團隊沒有清楚邊界時，debug 成本會一路往後堆，最後變成誰都說得出問題、卻沒人能快速定位。
從產業角度看，模型本身越來越容易替換，真正拉開差距的是資料管線與治理紀律。換句話說，模型商品化後，資料作業就成了 AI 團隊的核心能力之一。
對需要上線 AI 功能的產品團隊，這篇文章其實在問一個很直接的問題：你有 MLOps，還是也有一個真正負責資料層的人？