正版新书]MLOPS工程实践:工具、技术与企业级应用陈雨强 郑曌

CONTENTS目??录作者简介前言第1章  全面了解MLOps11.1  人工智能的趋势和现状  11.1.1  趋势1：人工智能在企业中加速落地，彰显更多业务价值  11.1.2  趋势2：人工智能应用从以模型为中心向以数据为中心转变  31.1.3  现状：人工智能落地成功率低，成本高  41.2  人工智能的问题、挑战以及应对措施  51.2.1  问题1：机器学习代码只是整个系统的一小部分  51.2.2  问题2：数据是最主要的问题  61.2.3  挑战：人工智能系统如何规模化落地  71.2.4  应对措施：MLOps  81.3  MLOps简介  81.3.1  MLOps的定义  81.3.2  MLOps相关的工具和平台  121.3.3  MLOps的优势  131.4  MLOps与DevOps  141.4.1  DevOps的3个优点  141.4.2  MLOps延续了DevOps的优点  171.4.3  MLOps和DevOps的不同之处  191.4.4  MLOps和DevOps的目标与实践理念  201.5  MLOps与其他XOps的区别  201.5.1  MLOps与AIOps的区别  211.5.2  MLOps与DataOps的区别  211.5.3  MLOps与ModelOps的区别  221.5.4  XOps的相同点：都基于DevOps原则  221.6  本章小结  22第2章  MLOps涉及的角色232.1  角色类型  232.1.1  产品经理  242.1.2  数据科学家  242.1.3  数据工程师  252.1.4  机器学习工程师  262.1.5  DevOps工程师  272.1.6  IT运维工程师  272.2  角色划分以及角色之间存在的问题  282.2.1  角色划分  282.2.2  问题1：技术栈不一致导致人工智能模型线上、线下效果不一致  282.2.3  问题2：关注点不同导致对系统的需求不同  292.2.4  协作问题及解决办法  302.3  本章小结  30第3章  机器学习项目概论313.1  机器学习项目简介  313.1.1  机器学习的定义  313.1.2  机器学习相关概念  333.1.3  机器学习能解决的问题  373.1.4  机器学习项目度量  383.1.5  机器学习项目难以落地的原因  413.2  深入理解机器学习项目全流程  443.2.1  方案调研  453.2.2  方案投产  493.3  本章小结  51第4章  MLOps中的数据部分524.1  从以模型为中心到以数据为中心  524.1.1  以模型为中心的时代  524.1.2  以数据为中心的时代  534.2  MLOps中的数据生命周期管理  554.3  数据存储架构演进  564.4  MLOps中主要的数据问题及解决方案  574.4.1  常见的数据质量问题及解决方案  574.4.2  时序数据穿越问题及解决方案  594.4.3  离线和实时数据一致性问题及解决方案  644.4.4  数据安全问题及解决方案  664.4.5  数据共享与复用问题及解决方案  674.5  本章小结  67第5章  流水线工具695.1  Airflow  695.1.1  Airflow的功能和应用场景  695.1.2  Airflow的核心概念  725.1.3  Airflow的使用方法  725.2  MLflow  805.2.1  MLflow的功能和应用场景  805.2.2  MLflow的核心概念  815.2.3  MLflow的使用方法  825.3  其他流水线工具  915.4  本章小结  93第6章  特征平台946.1  特征平台的概念和起源  946.2  特征平台的特性  966.3  特征平台的现状  976.4  主流的特征平台  986.4.1  Tecton的特征平台  996.4.2  AWS的SageMaker特征平台  1006.4.3  Databricks的特征平台  1026.4.4  Feast项目  1036.4.5  OpenMLDB项目  1056.5  特征平台的发展趋势  1066.6  本章小结  107第7章   实时特征平台OpenMLDB1087.1  实时特征平台构建方法论  1087.1.1  机器学习闭环  1087.1.2  实时特征计算  1097.1.3  痛点：线上线下计算一致性校验带来的高成本  1107.1.4  目标：开发即上线  1127.1.5  技术需求  1127.1.6  抽象架构  1137.1.7  OpenMLDB架构设计实践  1147.2  OpenMLDB项目介绍  1167.2.1  设计理念  1167.2.2  生产级机器学习特征平台  1167.2.3  核心特性  1177.2.4  常见问题  1177.3  核心模块—在线引擎  1187.3.1  概览  1187.3.2  Apache ZooKeeper  1197.3.3  Nameserver  1197.3.4  Tablet  1207.4  核心数据结构  1227.4.1  背景介绍  1227.4.2  双层跳表索引  1227.4.3  预聚合技术  1247.4.4  性能表现  1257.5  高级特性—主从集群部署  1277.5.1  定义和目标  1277.5.2  技术方案  1277.5.3  主从集群搭建实践  1307.5.4  主从集群部署常见问题  1317.6  高级特性—双存储引擎  1337.6.1  内存和磁盘双存储引擎架构  1337.6.2  功能支持对比  1347.6.3  性能对比  1357.7  执行流程介绍  1367.7.1  执行流程概览  1367.7.2  执行模式概览  1377.7.3  离线模式  1377.7.4  在线模式  1387.7.5  请求模式  1387.8  实践  1397.8.1  准备  1407.8.2  使用流程  1417.8.3  实时特征计算的结果说明  1447.9  生态整合—在线数据源Kafka  1457.9.1  简介  1457.9.2  准备工作  1467.9.3  步骤1：启动OpenMLDB并创建数据库  1467.9.4  步骤2：启动Kafka并创建Topic  1477.9.5  步骤3：启动Connector  1477.9.6  步骤4：测试  1487.10  生态整合—离线数据源Hive  1497.10.1  配置  1497.10.2  数据类型  1497.10.3  通过LIKE语法快速建表  1507.10.4  将Hive数据导入OpenMLDB  1507.10.5  将OpenMLDB数据导出到Hive  1517.11  案例：出租车行程时间预测  1517.11.1  环境准备和预备知识  1517.11.2  全流程演示  1527.12  本章小结  155第8章  Adlik推理工具链1568.1  机器学习模型落地挑战  1568.2  Adlik的优势  1578.3  Adlik的架构  1588.3.1  模型优化器  1598.3.2  模型编译器  1618.3.3  推理引擎模块  1618.4  快速入门  1648.4.1  编译模型  1648.4.2  部署模型  1668.4.3  模型推理  1668.4.4  引入自定义运行时  1678.5  Adlik端到端模型推理优化实践  1688.5.1  模型结构优化  1688.5.2  模型推理引擎  1708.6  本章小结  171第9章  云服务供应商的端到端MLOps解决方案1729.1  认识SageMaker  1739.1.1  SageMaker的主要组成部分  1739.1.2  广泛的数据源和数据集成支持  1749.2  无代码实现供应链中到货时间的预测  1769.2.1  数据准备  1779.2.2  简单的数据合并  1799.2.3  构建、训练和分析机器学习模型  1809.2.4  模型预测  1839.3  应用SageMaker Notebook进行 MLOps 管理  1839.3.1  数据导入  1849.3.2  数据清洗和特征设计  1849.3.3  模型训练  1859.3.4  模型评估  1869.3.5  模型上线  1879.3.6  使用模型仓库和 Pipeline系统管理训练成果  1879.4  本章小结  194第10章  MLOps 在反欺诈与推荐系统中的应用19610.1  案例1：信用卡交易反欺诈系统  19610.1.1  定义业务目标  19610.1.2  系统设计的挑战  19810.1.3  数据准备与特征设计思路  20110.1.4  系统设计与实现  20210.2  案例2：推荐系统  20510.2.1  推荐系统介绍  20510.2.2  定义优化目标  20610.2.3  系统设计挑战与实现思路  20810.3  本章小结  210第11章  网易云音乐实时模型大规模应用之道21111.1  从云音乐直播推荐中的实时性说起  21111.1.1  直播对实时性的强需求  21311.1.2  推荐引擎实时性的三要素  21311.1.3  直播精排模型的实时化演进  21611.2  实时增量模型的构建  21611.2.1  实时特征快照  21711.2.2  实时样本归因  21911.2.3  实时样本拼接  22211.2.4  增量训练和更新  22311.2.5  线上效果  22411.3  特征平台将实时能力泛化到更多场景  22511.4  FeatureBox  22611.4.1  FeatureBox解决的问题  22611.4.2  FeatureBox整体架构  22711.4.3  DataHub模块  22711.4.4  Transform模块  23111.4.5  MFDL模块  23211.4.6  Storage模块  23311.4.7  Monitor模块  23411.5  在线预估基于FeatureBox的构建  23611.5.1  特征与模型的高效迭代  23611.5.2  高性能预估计算  24211.5.3  预估与FeatureBox实时性方案  24611.6  本章小结  248第12章  小米广告机器学习平台实践24912.1  小米广告一站式机器学习平台简介  24912.1.1  传统机器学习流程的问题  24912.1.2  小米广告机器学习平台模块简介  25112.2  特征工程模块  25212.2.1  特征工程简介  25212.2.2  数据源管理  25312.2.3  特征管理  25312.2.4  样本管理  25712.3  模型训练平台  25912.3.1  算法管理  26012.3.2  离线模型训练管理  26112.3.3  模型更新  26212.4  线上推理模块  26412.4.1  线上推理服务介绍  26412.4.2  高性能和高可用保证  26612.4.3  模型部署  26812.5  本章小结  273第13章  腾讯金融推荐中台实践27413.1  业务介绍  27413.1.1  业务优化目标  27413.1.2  业务特点  27513.2  现状及挑战  27613.2.1  推荐系统复杂性  27713.2.2  算法工程技术壁垒  27813.3  MLOps实践  27813.4  推荐系统产品体系  28013.4.1  特征系统  28113.4.2  模型训练系统  28113.4.3  模型服务系统  28213.4.4  推荐运营系统  28313.5  系统设计  28313.5.1  特征系统  28413.5.2  模型服务系统  29013.6  本章小结  293第14章  众安金融实时特征平台实践29414.1  众安金融的MLOps建设背景  29414.2  众安金融的MLOps建设思路  29514.2.1  众安金融的MLOps流程说明  29514.2.2  众安金融特征平台能力要求  29714.3  实时特征平台的架构设计  29714.3.1  实时特征平台架构说明  29814.3.2  实时特征数据源层  29814.3.3  实时特征平台的核心功能  29914.4  实时业务特征计算  30014.4.1  实时业务特征计算系统设计  30014.4.2  实时业务特征核心数据模型  30114.4.3  实时业务特征计算引擎  30214.5  反欺诈场景中的特征计算  30314.5.1  反欺诈特征计算系统设计  30314.5.2  反欺诈特征分类说明  30414.5.3  用户关系图谱实现方案  30514.6  本章小结  306第15章  MLOps成熟度模型30815.1  能力成熟度模型概述  30815.2  谷歌的MLOps成熟度模型  30915.2.1  谷歌对MLOps的理解和认识  30915.2.2  谷歌对MLOps成熟度等级的定义  31015.3  微软的MLOps成熟度模型  31715.3.1  微软对MLOps成熟度模型的理解和认识  31715.3.2  微软对MLOps成熟度等级的定义  31815.4  信通院的MLOps成熟度模型  32215.4.1  需求管理能力子域相关内容  32315.4.2  数据工程能力子域相关内容  32515.5  本章小结  329

（1）作者背景资深：AI独角兽第四范式的联合创始人和技术VP领衔，腾讯、小米、百度、网易、中兴、众安保险等企业的技术专家共同参与。<br>（2）4个维度展开：从工具、技术、企业级应用、成熟度评估4个维度全面讲解MLOps，指导企业构建可靠、高效、可复用、可扩展的机器学习模型。<br>（3）大厂现身说法：腾讯、小米、百度、网易、中兴、众安保险的AI技术专家通过案例方式详细讲解他们在MLOps领域的工程实践。<br>（4）9大主题内容：通过9大主题内容讲解如何在实际项目中利用MLOps进行机器学习模型的部署、监控与优化，以及如何利用MLOps实现持续集成与持续交付等高效工作流程。<br>（5）9位专家推荐：来自小米、字节、网易、百度、腾讯等企业的9位知名技术专家高度评价并鼎力推荐。