MLOps工程實(shí)踐：工具、技術(shù)與企業(yè)級(jí)應(yīng)用

定　價(jià)：￥109.00

作　者：	陳雨強(qiáng)，鄭曌，譚中意，盧冕
出版社：	機(jī)械工業(yè)出版社
叢編項(xiàng)：
標(biāo)　簽：	暫缺

購(gòu)買這本書(shū)可以去

當(dāng)當(dāng)網(wǎng) (￥81.70)

ISBN：	9787111733294	出版時(shí)間：	2023-09-01	包裝：	平裝-膠訂
開(kāi)本：	16開(kāi)	頁(yè)數(shù)：		字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　內(nèi)容簡(jiǎn)介這是一本能指導(dǎo)企業(yè)利用MLOps技術(shù)構(gòu)建可靠、高效、可復(fù)用、可擴(kuò)展的機(jī)器學(xué)習(xí)模型從而實(shí)現(xiàn)AI工程化落地的著作。由國(guó)內(nèi)AI領(lǐng)域的獨(dú)角獸企業(yè)第四范式的聯(lián)合創(chuàng)始人和技術(shù)VP領(lǐng)銜撰寫(xiě)，從工具、技術(shù)、企業(yè)級(jí)應(yīng)用、成熟度評(píng)估4個(gè)維度對(duì)MLOps進(jìn)行了全面的講解。本書(shū)的主要內(nèi)容包括如下9個(gè)方面：（1）MLOps的核心概念和方法，可以幫助讀者全面了解MLOps的基本原理；（2）MLOps涉及的幾種角色，以及這些角色之間如何協(xié)作；（3）機(jī)器學(xué)習(xí)項(xiàng)目的基礎(chǔ)知識(shí)和全流程，是學(xué)習(xí)和應(yīng)用MLOps的基礎(chǔ)；（4）MLOps中的數(shù)據(jù)處理、主要流水線工具Airflow和MLflow、特征平臺(tái)和實(shí)時(shí)特征平臺(tái)OpenMLDB、推理工具鏈Adlik，為讀者系統(tǒng)講解MLOps的技術(shù)和工具；（5）云服務(wù)供應(yīng)商的端到端MLOps解決方案；（6）第四范式、網(wǎng)易、小米、騰訊、眾安金融等企業(yè)的MLOps工程實(shí)踐案例和經(jīng)驗(yàn)；（7）MLOps的成熟度模型，以及微軟、谷歌和信通院對(duì)MLOps成熟度模型的劃分；（8）針對(duì)不同規(guī)模的企業(yè)和團(tuán)隊(duì)的MLOps最佳實(shí)踐，幫助他們量身定做MLOps策略；（9）MLOps的未來(lái)發(fā)展趨勢(shì)，以及如何將新技術(shù)融入MLOps實(shí)踐中。本書(shū)深入淺出、循序漸進(jìn)地講解了如何在實(shí)際項(xiàng)目中利用MLOps進(jìn)行機(jī)器學(xué)習(xí)模型的部署、監(jiān)控與優(yōu)化，以及如何利用MLOps實(shí)現(xiàn)持續(xù)集成與持續(xù)交付等高效的工作流程。通過(guò)企業(yè)級(jí)的MLOps案例和解決方案，幫助讀者輕松掌握MLOps的設(shè)計(jì)思路以及如何應(yīng)用MLOps解決實(shí)際問(wèn)題。

作者簡(jiǎn)介

暫缺《MLOps工程實(shí)踐：工具、技術(shù)與企業(yè)級(jí)應(yīng)用》作者簡(jiǎn)介

圖書(shū)目錄

CONTENTS
目??錄
作者簡(jiǎn)介
前言
第1章　全面了解MLOps1
1.1　人工智能的趨勢(shì)和現(xiàn)狀　1
1.1.1　趨勢(shì)1：人工智能在企業(yè)中加速落地，彰顯更多業(yè)務(wù)價(jià)值　1
1.1.2　趨勢(shì)2：人工智能應(yīng)用從以模型為中心向以數(shù)據(jù)為中心轉(zhuǎn)變　3
1.1.3　現(xiàn)狀：人工智能落地成功率低，
成本高　4
1.2　人工智能的問(wèn)題、挑戰(zhàn)以及應(yīng)對(duì)措施　5
1.2.1　問(wèn)題1：機(jī)器學(xué)習(xí)代碼只是整個(gè)系統(tǒng)的一小部分　5
1.2.2　問(wèn)題2：數(shù)據(jù)是最主要的問(wèn)題　6
1.2.3　挑戰(zhàn)：人工智能系統(tǒng)
如何規(guī)模化落地　7
1.2.4　應(yīng)對(duì)措施：MLOps　8
1.3　MLOps簡(jiǎn)介　8
1.3.1　MLOps的定義　8
1.3.2　MLOps相關(guān)的工具和平臺(tái)　12
1.3.3　MLOps的優(yōu)勢(shì)　13
1.4　MLOps與DevOps　14
1.4.1　DevOps的3個(gè)優(yōu)點(diǎn)　14
1.4.2　MLOps延續(xù)了DevOps的優(yōu)點(diǎn)　17
1.4.3　MLOps和DevOps的不同之處　19
1.4.4　MLOps和DevOps的目標(biāo)與
實(shí)踐理念　20
1.5　MLOps與其他XOps的區(qū)別　20
1.5.1　MLOps與AIOps的區(qū)別　21
1.5.2　MLOps與DataOps的區(qū)別　21
1.5.3　MLOps與ModelOps的區(qū)別　22
1.5.4　XOps的相同點(diǎn)：
都基于DevOps原則　22
1.6　本章小結(jié)　22
第2章　MLOps涉及的角色23
2.1　角色類型　23
2.1.1　產(chǎn)品經(jīng)理　24
2.1.2　數(shù)據(jù)科學(xué)家　24
2.1.3　數(shù)據(jù)工程師　25
2.1.4　機(jī)器學(xué)習(xí)工程師　26
2.1.5　DevOps工程師　27
2.1.6　IT運(yùn)維工程師　27
2.2　角色劃分以及角色之間
存在的問(wèn)題　28
2.2.1　角色劃分　28
2.2.2　問(wèn)題1：技術(shù)棧不一致導(dǎo)致人工智能模型線上、線下效果不一致　28
2.2.3　問(wèn)題2：關(guān)注點(diǎn)不同導(dǎo)致對(duì)系統(tǒng)的
需求不同　29
2.2.4　協(xié)作問(wèn)題及解決辦法　30
2.3　本章小結(jié)　30
第3章　機(jī)器學(xué)習(xí)項(xiàng)目概論31
3.1　機(jī)器學(xué)習(xí)項(xiàng)目簡(jiǎn)介　31
3.1.1　機(jī)器學(xué)習(xí)的定義　31
3.1.2　機(jī)器學(xué)習(xí)相關(guān)概念　33
3.1.3　機(jī)器學(xué)習(xí)能解決的問(wèn)題　37
3.1.4　機(jī)器學(xué)習(xí)項(xiàng)目度量　38
3.1.5　機(jī)器學(xué)習(xí)項(xiàng)目難以落地的
原因　41
3.2　深入理解機(jī)器學(xué)習(xí)項(xiàng)目全流程　44
3.2.1　方案調(diào)研　45
3.2.2　方案投產(chǎn)　49
3.3　本章小結(jié)　51
第4章　MLOps中的數(shù)據(jù)部分52
4.1　從以模型為中心到以數(shù)據(jù)為中心　52
4.1.1　以模型為中心的時(shí)代　52
4.1.2　以數(shù)據(jù)為中心的時(shí)代　53
4.2　MLOps中的數(shù)據(jù)生命周期管理　55
4.3　數(shù)據(jù)存儲(chǔ)架構(gòu)演進(jìn)　56
4.4　MLOps中主要的數(shù)據(jù)問(wèn)題及
解決方案　57
4.4.1　常見(jiàn)的數(shù)據(jù)質(zhì)量問(wèn)題及
解決方案　57
4.4.2　時(shí)序數(shù)據(jù)穿越問(wèn)題及解決方案　59
4.4.3　離線和實(shí)時(shí)數(shù)據(jù)一致性問(wèn)題及
解決方案　64
4.4.4　數(shù)據(jù)安全問(wèn)題及解決方案　66
4.4.5　數(shù)據(jù)共享與復(fù)用問(wèn)題及
解決方案　67
4.5　本章小結(jié)　67
第5章　流水線工具69
5.1　Airflow　69
5.1.1　Airflow的功能和應(yīng)用場(chǎng)景　69
5.1.2　Airflow的核心概念　72
5.1.3　Airflow的使用方法　72
5.2　MLflow　80
5.2.1　MLflow的功能和應(yīng)用場(chǎng)景　80
5.2.2　MLflow的核心概念　81
5.2.3　MLflow的使用方法　82
5.3　其他流水線工具　91
5.4　本章小結(jié)　93
第6章　特征平臺(tái)94
6.1　特征平臺(tái)的概念和起源　94
6.2　特征平臺(tái)的特性　96
6.3　特征平臺(tái)的現(xiàn)狀　97
6.4　主流的特征平臺(tái)　98
6.4.1　Tecton的特征平臺(tái)　99
6.4.2　AWS的SageMaker特征平臺(tái)　100
6.4.3　Databricks的特征平臺(tái)　102
6.4.4　Feast項(xiàng)目　103
6.4.5　OpenMLDB項(xiàng)目　105
6.5　特征平臺(tái)的發(fā)展趨勢(shì)　106
6.6　本章小結(jié)　107
第7章　實(shí)時(shí)特征平臺(tái)
OpenMLDB108
7.1　實(shí)時(shí)特征平臺(tái)構(gòu)建方法論　108
7.1.1　機(jī)器學(xué)習(xí)閉環(huán)　108
7.1.2　實(shí)時(shí)特征計(jì)算　109
7.1.3　痛點(diǎn)：線上線下計(jì)算一致性
校驗(yàn)帶來(lái)的高成本　110
7.1.4　目標(biāo)：開(kāi)發(fā)即上線　112
7.1.5　技術(shù)需求　112
7.1.6　抽象架構(gòu)　113
7.1.7　OpenMLDB架構(gòu)設(shè)計(jì)實(shí)踐　114
7.2　OpenMLDB項(xiàng)目介紹　116
7.2.1　設(shè)計(jì)理念　116
7.2.2　生產(chǎn)級(jí)機(jī)器學(xué)習(xí)特征平臺(tái)　116
7.2.3　核心特性　117
7.2.4　常見(jiàn)問(wèn)題　117
7.3　核心模塊—在線引擎　118
7.3.1　概覽　118
7.3.2　Apache ZooKeeper　119
7.3.3　Nameserver　119
7.3.4　Tablet　120
7.4　核心數(shù)據(jù)結(jié)構(gòu)　122
7.4.1　背景介紹　122
7.4.2　雙層跳表索引　122
7.4.3　預(yù)聚合技術(shù)　124
7.4.4　性能表現(xiàn)　125
7.5　高級(jí)特性—主從集群部署　127
7.5.1　定義和目標(biāo)　127
7.5.2　技術(shù)方案　127
7.5.3　主從集群搭建實(shí)踐　130
7.5.4　主從集群部署常見(jiàn)問(wèn)題　131
7.6　高級(jí)特性—雙存儲(chǔ)引擎　133
7.6.1　內(nèi)存和磁盤(pán)雙存儲(chǔ)
引擎架構(gòu)　133
7.6.2　功能支持對(duì)比　134
7.6.3　性能對(duì)比　135
7.7　執(zhí)行流程介紹　136
7.7.1　執(zhí)行流程概覽　136
7.7.2　執(zhí)行模式概覽　137
7.7.3　離線模式　137
7.7.4　在線模式　138
7.7.5　請(qǐng)求模式　138
7.8　實(shí)踐　139
7.8.1　準(zhǔn)備　140
7.8.2　使用流程　141
7.8.3　實(shí)時(shí)特征計(jì)算的結(jié)果說(shuō)明　144
7.9　生態(tài)整合—在線數(shù)據(jù)源Kafka　145
7.9.1　簡(jiǎn)介　145
7.9.2　準(zhǔn)備工作　146
7.9.3　步驟1：?jiǎn)?dòng)OpenMLDB
并創(chuàng)建數(shù)據(jù)庫(kù)　146
7.9.4　步驟2：?jiǎn)?dòng)Kafka
并創(chuàng)建Topic　147
7.9.5　步驟3：?jiǎn)?dòng)Connector　147
7.9.6