主要观点：

• 人工智能已成为数字战略的核心，挑战在于可持续地将其投入运营，而非构建模型。
• 虽 Azure 和 AWS 提供端到端 MLOps 体验，但采用越多托管服务，对运营的掌控力越弱，开源 MLOps 堆栈提供相同功能且无隐形束缚。
• 介绍了云服务（Azure、AWS）与开源生态系统在各方面的对比，包括数据编排、存储等，开源堆栈可在任何地方运行。
• 详细阐述了数据管道、特征工程、实验与重现性、大规模训练、模型打包与注册、部署与推理、CI/CD 管道、可观察性与漂移检测、治理安全与可解释性等方面的管理方式与开源替代方案。
• 强调了持续再训练和自动化、FinOps 与成本可见性、跨云安全合规等方面的内容。
• 提出了企业应采用云无关 AI 的商业案例，如自由迁移、统一技能集、成本透明等。
• 给出了 CTO 在选择平台前应问的问题，以及前进的路径，即解耦与采用开源工具。
• 展望了云无关 AI 的未来趋势，如 BentoML 等。
• 结论为构建 AI 模型不再是竞争优势，提供可在任何地方安全可持续交付的能力才是，开源架构提供了无约束的智能。

关键信息：

• 各云服务和开源工具在不同方面的功能与特点，如 Azure Data Factory 与 Apache Airflow 等。
• 开源替代方案能实现相同功能且更具优势，如用 MLflow 替代云内部的注册服务。
• 企业应关注的问题如可迁移性、所有权等，以及未来的发展趋势。

重要细节：

• 列举了多种云服务和开源工具在各个环节的具体应用示例，如 Airflow 代码片段、Seldon 部署示例等。
• 详细说明了不同架构在各方面的差异，如供应商架构和开放架构。
• 阐述了云无关 AI 对企业的多方面好处，如自由迁移、成本透明等。