|
|
|
本書分為三部分。第一部分介紹MLOps主題，深入探討了它是如何(以及為什麼)發展成一門學科的、需要誰參與才能成功執行MLOps以及需要哪些組成部分。
第二部分介紹了機器學習模型的生命週期，其中包括有關模型開發、生產準備、生產部署、監測和治理的章節。這些章節不僅包括一般的注意事項，還包括MLOps生命週期每個階段的注意事項，並提供第3章中所涉及主題相關的更多詳細資訊。
第三部分提供了MLOps的具體示例，以便讀者瞭解MLOps在實踐中的設置和含義。
第一部分 MLOps是什麼，為什麼要使用MLOps5
第1章 為什麼現在要使用MLOps，使用MLOps面臨的挑戰7
1.1 定義MLOps及面臨的挑戰8
1.2 使用MLOps以降低風險11
1.3 大規模的MLOps14
結語15
第2章 MLOps的使用人員16
2.1 行業專家17
2.2 資料科學家20
2.3 數據工程師22
2.4 軟體工程師23
2.5 DevOps團隊23
2.6 模型風險管理者/審計師24
2.7 機器學習架構師25
結語26
第3章 MLOps的主要組成部分27
3.1 機器學習入門27
3.2 模型開發28
3.3 產品化與部署31
3.4 監控33
3.5 反覆運算與生命週期36
3.6 治理38
結語42
第二部分 如何實現43
第4章 開發模型45
4.1 什麼是機器學習模型46
4.2 資料探索50
4.3 特徵工程與特徵選擇50
4.4 實驗53
4.5 評估和比較模型55
4.6 版本管理和再現性60
結語62
第5章 準備投入生產63
5.1 運行時環境63
5.2 模型風險評估67
5.3 機器學習的品質保證69
5.4 測試的關鍵注意事項69
5.5 再現性和可審計性70
5.6 機器學習安全72
5.7 降低模型風險74
結語76
第6章 部署到生產78
6.1 CI/CD管道78
6.2 創建ML工件80
6.3 部署策略82
6.4 容器化85
6.5 擴展部署86
6.6 需求和挑戰88
結語89
第7章 監控和反饋回路90
7.1 模型應該多久接受一次再訓練91
7.2 理解模型退化94
7.3 實踐中的漂移檢測97
7.4 反饋回路100
結語108
第8章 模型治理109
8.1 由誰決定組織的治理需求109
8.2 將治理與風險級別相匹配111
8.3 推動MLOps治理的現行法規112
8.4 新一輪人工智慧特定法規115
8.5 負責任的人工智慧的出現117
8.6 負責任的人工智慧的關鍵要素118
8.7 MLOps治理範本122
結語130
第三部分 MLOps具體示例131
第9章 實踐中的MLOps：消費信貸風險管理133
9.1 背景：商業使用案例133
9.2 模型開發134
9.3 模型偏見考慮135
9.4 為生產做準備135
9.5 部署到生產環境136
結語137
第10章 實踐中的MLOps：行銷推薦引擎138
10.1 推薦引擎的興起138
10.2 數據準備140
10.3 設計和管理實驗141
10.4 模型訓練和部署141
10.5 管道結構和部署策略144
10.6 監控和回饋145
結語148
第11章 實踐中的MLOps：消耗預測149
11.1 能源系統149
11.2 資料收集151
11.3 問題定義：機器學習，還是不機器學習153
11.4 空間和時間解析度153
11.5 實施154
11.6 建模155
11.7 部署157
11.8 監控157
結語158
