MLOps實戰：機器學習模型的開發、部署與應用 Introducing Mlops: How to Scale Machine Learning in the Enterprise

當今，組織創建的分析和機器學習(ML)模型中超過一半從未投入生產。
機器學習運營化的一些挑戰和障礙是技術性的，但其他則是組織性的。
無論採取哪種方式解決問題，底線是未投入生產的模型不會影響業務。
本書介紹了MLOps的關鍵概念，以幫助數據科學家和應用工程師操作ML模型來驅動真正的業務變革，
並隨著時間的推移維護和改進這些模型。
以全球眾多MLOD5應用課程為基礎，9位機器學習專家深入探討了模型生命週期的五個階段——開發、預生產、部署、監控和治理，
揭示瞭如何將強大的MLOps流程貫穿始終。
本書將幫助你： 通過減少整個ML管道和工作流程中的摩擦，實現數據科學的價值。
通過重新訓練、定期調整和全面重構來優化ML模型，以確保長期準確性。
設計MLOps生命週期，以使用公正、公平、可解釋的模型將組織風險降至大力度優惠。
為管道的部署和更複雜、標準化程度更低的外部業務系統實施ML模型。

Mark Treveil
設計的產品涉及電信、銀行和在線交易等多個領域。
他自己的初創公司引領了英國地方政府的治理革命，目前它仍佔據主導地位。
他現在是Dataiku產品團隊的一員。

第一部分 MLOps是什麼，為什麼要使用MLOps
第1章 為什麼現在要使用MLOps，使用MLOps面臨的挑戰
1.1 定義MLOps及面臨的挑戰
1.2 使用MLOps以降低風險
1.3 大規模的MLOps
結語
第2章 MLOps的使用人員
2.1 行業專家
2.2 數據科學家
2.3 數據工程師
2.4 軟件工程師
2.5 DevOps團隊
2.6 模型風險管理者/審計師
2.7 機器學習架構師
結語
第3章 MLOps的主要組成部分
3.1 機器學習入門
3.2 模型開發
3.3 產品化與部署
3.4 監控
3.5 迭代與生命週期
3.6 治理
結語
第二部分 如何實現
第4章 開發模型
4.1 什麼是機器學習模型
4.2 數據探索
4.3 特徵工程與特徵選擇
4.4 實驗
4.5 評估和比較模型
4.6 版本管理和再現性
結語
第5章 準備投入生產
5.1 運行時環境
5.2 模型風險評估
5.3 機器學習的質量保證
5.4 測試的關鍵注意事項
5.5 再現性和可審計性
5.6 機器學習安全
5.7 降低模型風險
結語
第6章 部署到生產
6.1 CI/CD管道
6.2 創建ML工件
6.3 部署策略
6.4 容器化
6.5 擴展部署
6.6 需求和挑戰
結語
第7章 監控和反饋迴路
7.1 模型應該多久接受一次再訓練
7.2 理解模型退化
7.3 實踐中的漂移檢測
7.4 反饋迴路
結語
第8章 模型治理
8.1 由誰決定組織的治理需求
8.2 將治理與風險級別相匹配
8.3 推動MLOps治理的現行法規
8.4 新一輪人工智能特定法規
8.5 負責任的人工智能的出現
8.6 負責任的人工智能的關鍵要素
8.7 MLOps治理模板
結語
第三部分 MLOps具體示例
第9章 實踐中的MLOps：消費信貸風險管理
9.1 背景：商業使用案例
9.2 模型開發
9.3 模型偏見考慮
9.4 為生產做準備
9.5 部署到生產環境
結語
第10章 實踐中的MLOps：營銷推薦引擎
10.1 推薦引擎的興起
10.2 數據準備
10.3 設計和管理實驗
10.4 模型訓練和部署
10.5 管道結構和部署策略
10.6 監控和反饋
結語
第11章 實踐中的MLOps：消耗預測
11.1 能源系統
11.2 數據收集
11.3 問題定義：機器學習，還是不機器學習
11.4 空間和時間分辨率
11.5 實施
11.6 建模
11.7 部署
11.8 監控
結語