MLOps实战：机器学习模型的开发、部署与应用

适读人群 ：机器学习从业者、分析人员和IT运营团队经理（即直接面对在生产中扩展机器学习的人）
当今组织创建的分析和机器学习(ML)模型超过一半从未投入生产。机器学习运营化的一些挑战和障碍是技术性的，但其他则是组织性的。无论采取哪种方式解决问题，底线是未投入生产的模型不会影响业务。
本书介绍了MLOps的关键概念，以帮助数据科学家和应用工程师操作ML模型来驱动真正的业务变化，并随着时间的推移维护和改进这些模型。以全球众多MLOps应用课程为基础，9位机器学习专家深入探讨了模型生命周期的五个阶段——开发、预生产、部署、监控和治理，揭示了如何将强大的MLOps流程贯穿始终。
本书将帮助你：
通过减少整个ML管道和工作流程中的摩擦，实现数据科学的价值。
通过再培训、定期调整和全面改造来完善ML模型，以确保长期准确性。
设计MLOps生命周期，使用公正、公平、可解释的模型将组织风险降至*低。
为管道的部署和更复杂、标准化程度更低的外部业务系统实施ML模型。

本书分为三部分。第1部分介绍MLOps主题，深入探讨了它是如何(以及为什么)发展成一门学科的、需要谁参与才能成功执行MLOps以及需要哪些组成部分。
第二部分介绍了机器学习模型的生命周期，其中包括有关模型开发、生产准备、生产部署、监测和治理的章节。这些章节不仅包括一般的注意事项，还包括MLOps生命周期每个阶段的注意事项，并提供第3章中所涉及主题相关的更多详细信息。
第三部分提供了MLOps的具体示例，以便读者了解MLOps在实践中的设置和含义。

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

在机器学习（ML）的发展历史中，我们已经到达了一个转折点，该技术已经从理论和学术领域进入了“现实世界”—为全世界的人提供各种服务和产品的业务。虽然这种转变令人兴奋，但同时也充满挑战，因为这将机器学习模型的复杂性与现代企业的复杂性结合在一起。
随着各种企业从尝试机器学习到在生产环境中扩展机器学习，其中的困难之一便是维护。企业如何从仅管理单个模型转变为管理几十乃至成百上千个模型呢？这不仅仅是MLOps发挥作用的地方，也是体现上述技术和商业方面复杂性的地方。本书将向读者介绍当前使用MLOps面临的挑战，同时还为开发MLOps功能提供实用的见解和解决方案。
本书适用人群
我们专门为分析人员和IT运营团队经理（即直接面对在生产中扩展机器学习任务的人员）编写了这本书。鉴于MLOps是一个新领域，我们编写了本书，作为创建一个成功的MLOps环境的指南，涵盖了从组织到技术方面的挑战。
本书结构
本书分为三个部分。第一部分（第1～3章）是对MLOps主题的介绍，深入探讨它如何（以及为何）发展成一门学科、需要谁参与才能成功执行MLOps以及需要哪些组成部分。
第二部分（第4～8章）大致介绍了机器学习模型的生命周期，其中包括有关模型开发、生产准备、生产部署、监控和治理的章节。这些章节不仅包括一般的注意事项，还包括MLOps生命周期每个阶段的注意事项，并提供与第3章中所涉及主题相关的更多详细信息。
最后一部分（第9～11章）提供了MLOps在当今公司中的具体示例，以便读者了解MLOps在实践中的设置和含义。尽管公司名称是虚构的，但这些故事是以现实中的公司在MLOps和大规模模型管理方面的经验为基础的。
排版约定
本书中使用以下排版约定：
斜体（Italic）
表示新的术语、URL、电子邮件地址、文件名和文件扩展名。
等宽字体（Constant width）
用于程序清单，以及段落中的程序元素，例如变量名、函数名、数据库、 数据类型、环境变量、语句以及关键字。
等宽粗体（Constant width bold）
表示应由用户直接输入的命令或其他文本。
等宽斜体（Constant width italic）
表示应由用户提供的值或由上下文确定的值替换的文本。
O’Reilly在线学习平台（O’Reilly Online Learning）
40多年来，O’Reilly Media致力于提供技术和商业培训、知识和卓越见解，来帮助众多公司取得成功。
我们拥有独一无二的专家和革新者组成的庞大网络，他们通过图书、文章、会议和我们的在线学习平台分享他们的知识和经验。O’Reilly的在线学习平台允许你按需访问现场培训课程、深入的学习路径、交互式编程环境，以及O’Reilly和200多家其他出版商提供的大量文本和视频资源。有关的更多信息，请访问http://oreilly.com。
如何联系我们
对于本书，如果有任何意见或疑问，请按照以下地址联系本书出版商。
美国：
O’Reilly Media，Inc.
1005 Gravenstein Highway North
Sebastopol，CA 95472
中国：
北京市西城区西直门南大街2号成铭大厦C座807室（100035）
奥莱利技术咨询（北京）有限公司
要询问技术问题或对本书提出建议，请发送电子邮件至errata@oreilly.com.cn。
本书配套网站https://oreil.ly/intro-mlops上列出了勘误表、示例以及其他信息。
关于书籍、课程、会议和新闻的更多信息，请访问我们的网站http://www.oreilly.com。
我们在Facebook上的地址：http://facebook.com/oreilly
我们在Twitter上的地址：http://twitter.com/oreillymedia
我们在YouTube上的地址：http://youtube.com/oreillymedia
致谢
我们要感谢整个Dataiku团队，感谢他们从构思到完成对本书出版的支持。这是真正的团队努力，就像我们在Dataiku做的大多数事情一样，植根于无数人和团队之间的基本合作。
感谢那些从一开始就与O’Reilly一起支持我们的愿景的人、那些帮助我们写作和编辑的人、那些提供诚实反馈的人（即使这意味着更多的写作、重写、再重写）、那些在内部当啦啦队队员的人，当然，还有那些帮助我们将本书推向世界的人。