MLOps工程實踐：工具、技術與企業(yè)級應用

定　價：￥109.00

作　者：	陳雨強，鄭曌，譚中意，盧冕
出版社：	機械工業(yè)出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

當當網(wǎng) (￥81.70)

ISBN：	9787111733294	出版時間：	2023-09-01	包裝：	平裝-膠訂
開本：	16開	頁數(shù)：		字數(shù)：

內(nèi)容簡介

　　內(nèi)容簡介這是一本能指導企業(yè)利用MLOps技術構建可靠、高效、可復用、可擴展的機器學習模型從而實現(xiàn)AI工程化落地的著作。由國內(nèi)AI領域的獨角獸企業(yè)第四范式的聯(lián)合創(chuàng)始人和技術VP領銜撰寫，從工具、技術、企業(yè)級應用、成熟度評估4個維度對MLOps進行了全面的講解。本書的主要內(nèi)容包括如下9個方面：（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）機器學習項目的基礎知識和全流程，是學習和應用MLOps的基礎；（4）MLOps中的數(shù)據(jù)處理、主要流水線工具Airflow和MLflow、特征平臺和實時特征平臺OpenMLDB、推理工具鏈Adlik，為讀者系統(tǒng)講解MLOps的技術和工具；（5）云服務供應商的端到端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工程實踐案例和經(jīng)驗；（7）MLOps的成熟度模型，以及微軟、谷歌和信通院對MLOps成熟度模型的劃分；（8）針對不同規(guī)模的企業(yè)和團隊的MLOps最佳實踐，幫助他們量身定做MLOps策略；（9）MLOps的未來發(fā)展趨勢，以及如何將新技術融入MLOps實踐中。本書深入淺出、循序漸進地講解了如何在實際項目中利用MLOps進行機器學習模型的部署、監(jiān)控與優(yōu)化，以及如何利用MLOps實現(xiàn)持續(xù)集成與持續(xù)交付等高效的工作流程。通過企業(yè)級的MLOps案例和解決方案，幫助讀者輕松掌握MLOps的設計思路以及如何應用MLOps解決實際問題。

作者簡介

暫缺《MLOps工程實踐：工具、技術與企業(yè)級應用》作者簡介

圖書目錄

CONTENTS
目??錄
作者簡介
前言
第1章　全面了解MLOps1
1.1　人工智能的趨勢和現(xiàn)狀　1
1.1.1　趨勢1：人工智能在企業(yè)中加速落地，彰顯更多業(yè)務價值　1
1.1.2　趨勢2：人工智能應用從以模型為中心向以數(shù)據(jù)為中心轉變　3
1.1.3　現(xiàn)狀：人工智能落地成功率低，
成本高　4
1.2　人工智能的問題、挑戰(zhàn)以及應對措施　5
1.2.1　問題1：機器學習代碼只是整個系統(tǒng)的一小部分　5
1.2.2　問題2：數(shù)據(jù)是最主要的問題　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　應對措施：MLOps　8
1.3　MLOps簡介　8
1.3.1　MLOps的定義　8
1.3.2　MLOps相關的工具和平臺　12
1.3.3　MLOps的優(yōu)勢　13
1.4　MLOps與DevOps　14
1.4.1　DevOps的3個優(yōu)點　14
1.4.2　MLOps延續(xù)了DevOps的優(yōu)點　17
1.4.3　MLOps和DevOps的不同之處　19
1.4.4　MLOps和DevOps的目標與
實踐理念　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：
都基于DevOps原則　22
1.6　本章小結　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)科學家　24
2.1.3　數(shù)據(jù)工程師　25
2.1.4　機器學習工程師　26
2.1.5　DevOps工程師　27
2.1.6　IT運維工程師　27
2.2　角色劃分以及角色之間
存在的問題　28
2.2.1　角色劃分　28
2.2.2　問題1：技術棧不一致導致人工智能模型線上、線下效果不一致　28
2.2.3　問題2：關注點不同導致對系統(tǒng)的
需求不同　29
2.2.4　協(xié)作問題及解決辦法　30
2.3　本章小結　30
第3章　機器學習項目概論31
3.1　機器學習項目簡介　31
3.1.1　機器學習的定義　31
3.1.2　機器學習相關概念　33
3.1.3　機器學習能解決的問題　37
3.1.4　機器學習項目度量　38
3.1.5　機器學習項目難以落地的
原因　41
3.2　深入理解機器學習項目全流程　44
3.2.1　方案調研　45
3.2.2　方案投產(chǎn)　49
3.3　本章小結　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　以模型為中心的時代　52
4.1.2　以數(shù)據(jù)為中心的時代　53
4.2　MLOps中的數(shù)據(jù)生命周期管理　55
4.3　數(shù)據(jù)存儲架構演進　56
4.4　MLOps中主要的數(shù)據(jù)問題及
解決方案　57
4.4.1　常見的數(shù)據(jù)質量問題及
解決方案　57
4.4.2　時序數(shù)據(jù)穿越問題及解決方案　59
4.4.3　離線和實時數(shù)據(jù)一致性問題及
解決方案　64
4.4.4　數(shù)據(jù)安全問題及解決方案　66
4.4.5　數(shù)據(jù)共享與復用問題及
解決方案　67
4.5　本章小結　67
第5章　流水線工具69
5.1　Airflow　69
5.1.1　Airflow的功能和應用場景　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的功能和應用場景　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　93
第6章　特征平臺94
6.1　特征平臺的概念和起源　94
6.2　特征平臺的特性　96
6.3　特征平臺的現(xiàn)狀　97
6.4　主流的特征平臺　98
6.4.1　Tecton的特征平臺　99
6.4.2　AWS的SageMaker特征平臺　100
6.4.3　Databricks的特征平臺　102
6.4.4　Feast項目　103
6.4.5　OpenMLDB項目　105
6.5　特征平臺的發(fā)展趨勢　106
6.6　本章小結　107
第7章　實時特征平臺
OpenMLDB108
7.1　實時特征平臺構建方法論　108
7.1.1　機器學習閉環(huán)　108
7.1.2　實時特征計算　109
7.1.3　痛點：線上線下計算一致性
校驗帶來的高成本　110
7.1.4　目標：開發(fā)即上線　112
7.1.5　技術需求　112
7.1.6　抽象架構　113
7.1.7　OpenMLDB架構設計實踐　114
7.2　OpenMLDB項目介紹　116
7.2.1　設計理念　116
7.2.2　生產(chǎn)級機器學習特征平臺　116
7.2.3　核心特性　117
7.2.4　常見問題　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)結構　122
7.4.1　背景介紹　122
7.4.2　雙層跳表索引　122
7.4.3　預聚合技術　124
7.4.4　性能表現(xiàn)　125
7.5　高級特性—主從集群部署　127
7.5.1　定義和目標　127
7.5.2　技術方案　127
7.5.3　主從集群搭建實踐　130
7.5.4　主從集群部署常見問題　131
7.6　高級特性—雙存儲引擎　133
7.6.1　內(nèi)存和磁盤雙存儲
引擎架構　133
7.6.2　功能支持對比　134
7.6.3　性能對比　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　請求模式　138
7.8　實踐　139
7.8.1　準備　140
7.8.2　使用流程　141
7.8.3　實時特征計算的結果說明　144
7.9　生態(tài)整合—在線數(shù)據(jù)源Kafka　145
7.9.1　簡介　145
7.9.2　準備工作　146
7.9.3　步驟1：啟動OpenMLDB
并創(chuàng)建數(shù)據(jù)庫　146
7.9.4　步驟2：啟動Kafka
并創(chuàng)建Topic　147
7.9.5　步驟3：啟動Connector　147
7.9.6