MLOps实战：机器学习模型的开发、部署与应用

前言1
第一部分 MLOps是什么，为什么要使用MLOps5
第1章 为什么现在要使用MLOps，使用MLOps面临的挑战7
1.1 定义MLOps及面临的挑战8
1.2 使用MLOps以降低风险11
1.3 大规模的MLOps14
结语15
第2章 MLOps的使用人员16
2.1 行业专家17
2.2 数据科学家20
2.3 数据工程师22
2.4 软件工程师23
2.5 DevOps团队23
2.6 模型风险管理者/审计师24
2.7 机器学习架构师25
结语26
第3章 MLOps的主要组成部分27
3.1 机器学习入门27
3.2 模型开发28
3.3 产品化与部署31
3.4 监控33
3.5 迭代与生命周期36
3.6 治理38
结语42
第二部分 如何实现43
第4章 开发模型45
4.1 什么是机器学习模型46
4.2 数据探索50
4.3 特征工程与特征选择50
4.4 实验53
4.5 评估和比较模型55
4.6 版本管理和再现性60
结语62
第5章 准备投入生产63
5.1 运行时环境63
5.2 模型风险评估67
5.3 机器学习的质量保证69
5.4 测试的关键注意事项69
5.5 再现性和可审计性70
5.6 机器学习安全72
5.7 降低模型风险74
结语76
第6章 部署到生产78
6.1 CI/CD管道78
6.2 创建ML工件80
6.3 部署策略82
6.4 容器化85
6.5 扩展部署86
6.6 需求和挑战88
结语89
第7章 监控和反馈回路90
7.1 模型应该多久接受一次再训练91
7.2 理解模型退化94
7.3 实践中的漂移检测97
7.4 反馈回路100
结语108
第8章 模型治理109
8.1 由谁决定组织的治理需求109
8.2 将治理与风险级别相匹配111
8.3 推动MLOps治理的现行法规112
8.4 新一轮人工智能特定法规115
8.5 负责任的人工智能的出现117
8.6 负责任的人工智能的关键要素118
8.7 MLOps治理模板122
结语130
第三部分 MLOps具体示例131
第9章 实践中的MLOps：消费信贷风险管理133
9.1 背景：商业使用案例133
9.2 模型开发134
9.3 模型偏见考虑135
9.4 为生产做准备135
9.5 部署到生产环境136
结语137
第10章 实践中的MLOps：营销推荐引擎138
10.1 推荐引擎的兴起138
10.2 数据准备140
10.3 设计和管理实验141
10.4 模型训练和部署141
10.5 管道结构和部署策略144
10.6 监控和反馈145
结语148
第11章 实践中的MLOps：消耗预测149
11.1 能源系统149
11.2 数据收集151
11.3 问题定义：机器学习，还是不机器学习153
11.4 空间和时间分辨率153
11.5 实施154
11.6 建模155
11.7 部署157
11.8 监控157
结语158