前言1
第一部分 MLOps是什么，為什么要使用MLOps5
第1章 為什么現(xiàn)在要使用MLOps，使用MLOps面臨的挑戰(zhàn)7
1.1 定義MLOps及面臨的挑戰(zhàn)8
1.2 使用MLOps以降低風(fēng)險(xiǎn)11
1.3 大規(guī)模的MLOps14
結(jié)語(yǔ)15
第2章 MLOps的使用人員16
2.1 行業(yè)專(zhuān)家17
2.2 數(shù)據(jù)科學(xué)家20
2.3 數(shù)據(jù)工程師22
2.4 軟件工程師23
2.5 DevOps團(tuán)隊(duì)23
2.6 模型風(fēng)險(xiǎn)管理者/審計(jì)師24
2.7 機(jī)器學(xué)習(xí)架構(gòu)師25
結(jié)語(yǔ)26
第3章 MLOps的主要組成部分27
3.1 機(jī)器學(xué)習(xí)入門(mén)27
3.2 模型開(kāi)發(fā)28
3.3 產(chǎn)品化與部署31
3.4 監(jiān)控33
3.5 迭代與生命周期36
3.6 治理38
結(jié)語(yǔ)42
第二部分 如何實(shí)現(xiàn)43
第4章 開(kāi)發(fā)模型45
4.1 什么是機(jī)器學(xué)習(xí)模型46
4.2 數(shù)據(jù)探索50
4.3 特征工程與特征選擇50
4.4 實(shí)驗(yàn)53
4.5 評(píng)估和比較模型55
4.6 版本管理和再現(xiàn)性60
結(jié)語(yǔ)62
第5章 準(zhǔn)備投入生產(chǎn)63
5.1 運(yùn)行時(shí)環(huán)境63
5.2 模型風(fēng)險(xiǎn)評(píng)估67
5.3 機(jī)器學(xué)習(xí)的質(zhì)量保證69
5.4 測(cè)試的關(guān)鍵注意事項(xiàng)69
5.5 再現(xiàn)性和可審計(jì)性70
5.6 機(jī)器學(xué)習(xí)安全72
5.7 降低模型風(fēng)險(xiǎn)74
結(jié)語(yǔ)76
第6章 部署到生產(chǎn)78
6.1 CI/CD管道78
6.2 創(chuàng)建ML工件80
6.3 部署策略82
6.4 容器化85
6.5 擴(kuò)展部署86
6.6 需求和挑戰(zhàn)88
結(jié)語(yǔ)89
第7章 監(jiān)控和反饋回路90
7.1 模型應(yīng)該多久接受一次再訓(xùn)練91
7.2 理解模型退化94
7.3 實(shí)踐中的漂移檢測(cè)97
7.4 反饋回路100
結(jié)語(yǔ)108
第8章 模型治理109
8.1 由誰(shuí)決定組織的治理需求109
8.2 將治理與風(fēng)險(xiǎn)級(jí)別相匹配111
8.3 推動(dòng)MLOps治理的現(xiàn)行法規(guī)112
8.4 新一輪人工智能特定法規(guī)115
8.5 負(fù)責(zé)任的人工智能的出現(xiàn)117
8.6 負(fù)責(zé)任的人工智能的關(guān)鍵要素118
8.7 MLOps治理模板122
結(jié)語(yǔ)130
第三部分 MLOps具體示例131
第9章 實(shí)踐中的MLOps：消費(fèi)信貸風(fēng)險(xiǎn)管理133
9.1 背景：商業(yè)使用案例133
9.2 模型開(kāi)發(fā)134
9.3 模型偏見(jiàn)考慮135
9.4 為生產(chǎn)做準(zhǔn)備135
9.5 部署到生產(chǎn)環(huán)境136
結(jié)語(yǔ)137
第10章 實(shí)踐中的MLOps：營(yíng)銷(xiāo)推薦引擎138
10.1 推薦引擎的興起138
10.2 數(shù)據(jù)準(zhǔn)備140
10.3 設(shè)計(jì)和管理實(shí)驗(yàn)141
10.4 模型訓(xùn)練和部署141
10.5 管道結(jié)構(gòu)和部署策略144
10.6 監(jiān)控和反饋145
結(jié)語(yǔ)148
第11章 實(shí)踐中的MLOps：消耗預(yù)測(cè)149
11.1 能源系統(tǒng)149
11.2 數(shù)據(jù)收集151
11.3 問(wèn)題定義：機(jī)器學(xué)習(xí)，還是不機(jī)器學(xué)習(xí)153
11.4 空間和時(shí)間分辨率153
11.5 實(shí)施154
11.6 建模155
11.7 部署157
11.8 監(jiān)控157
結(jié)語(yǔ)158