成人国产片在线看,久久无码免费专区

內(nèi)容簡介
這是一本能指導企業(yè)利用MLOps技術(shù)構(gòu)建可靠、高效、可復用、可擴展的機器學習模型從而實現(xiàn)AI工程化落地的著作。由國內(nèi)AI領(lǐng)域的獨角獸企業(yè)第四范式的聯(lián)合創(chuàng)始人和技術(shù)VP領(lǐng)銜撰寫，從工具、技術(shù)、企業(yè)級應用、成熟度評估4個維度對MLOps進行了全面的講解。
本書的主要內(nèi)容包括如下9個方面：
（1）MLOps的核心概念和方法，可以幫助讀者全面了解MLOps的基本原理；
（2）MLOps涉及的幾種角色，以及這些角色之間如何協(xié)作；
（3）機器學習項目的基礎(chǔ)知識和全流程，是學習和應用MLOps的基礎(chǔ)；
（4）MLOps中的數(shù)據(jù)處理、主要流水線工具Airflow和MLflow、特征平臺和實時特征平臺OpenMLDB、推理工具鏈Adlik，為讀者系統(tǒng)講解MLOps的技術(shù)和工具；
（5）云服務供應商的端到端MLOps解決方案；
（6）第四范式、網(wǎng)易、小米、騰訊、眾安金融等企業(yè)的MLOps工程實踐案例和經(jīng)驗；
（7）MLOps的成熟度模型，以及微軟、谷歌和信通院對MLOps成熟度模型的劃分；
（8）針對不同規(guī)模的企業(yè)和團隊的MLOps最佳實踐，幫助他們量身定做MLOps策略；
（9）MLOps的未來發(fā)展趨勢，以及如何將新技術(shù)融入MLOps實踐中。
本書深入淺出、循序漸進地講解了如何在實際項目中利用MLOps進行機器學習模型的部署、監(jiān)控與優(yōu)化，以及如何利用MLOps實現(xiàn)持續(xù)集成與持續(xù)交付等高效的工作流程。通過企業(yè)級的MLOps案例和解決方案，幫助讀者輕松掌握MLOps的設(shè)計思路以及如何應用MLOps解決實際問題。

PREFACE
前　　言
為什么寫作本書
我們非常幸運地見證了AlphaGo、ChatGPT等令人激動的人工智能技術(shù)的突破。不可否認，人工智能已經(jīng)像手機、電力、網(wǎng)絡(luò)一樣融入每個人的工作和生活，進入各個行業(yè)。人工智能從早期在互聯(lián)網(wǎng)企業(yè)的推薦、廣告、搜索等場景中大放光彩，發(fā)展到在視覺、安防、金融等領(lǐng)域落地，再到今天走入交通、制造、生命科學等領(lǐng)域，并在排工排產(chǎn)、自動駕駛等場景中嶄露頭角。
作為計算機科學的一個重要領(lǐng)域，機器學習也是目前人工智能領(lǐng)域非常活躍的分支之一。機器學習通過分析海量數(shù)據(jù)、總結(jié)規(guī)律，幫助人們解決眾多實際問題。隨著機器學習技術(shù)的發(fā)展，越來越多的企業(yè)將機器學習技術(shù)作為核心競爭力，并運用在實際業(yè)務中。
但是，機器學習應用落地并非一件輕松的事情，AI開發(fā)者往往需要面對各個環(huán)節(jié)的挑戰(zhàn)。這些環(huán)節(jié)包括目標定義、數(shù)據(jù)收集、數(shù)據(jù)清洗、特征提取、模型選擇、模型訓練、模型部署和模型監(jiān)控等，其中任何一個環(huán)節(jié)出現(xiàn)失誤，都可能影響算法和策略在最終業(yè)務中落地的效果，造成成倍的損失。反過來看，利用工程化技術(shù)去優(yōu)化模型的自學習能力，能讓模型保持持續(xù)更新、迭代和演進，隨著數(shù)據(jù)和業(yè)務的變化不斷進行自適應，避免衰退，始終保持在最佳狀態(tài)，為業(yè)務場景帶來更好的效果、更多的價值。
除了效果之外，機器學習應用的開發(fā)效率也是阻礙落地的關(guān)鍵因素。像Google這樣的互聯(lián)網(wǎng)領(lǐng)頭羊企業(yè)，其AI科學家與AI工程師也常常會遇到開發(fā)一周，上線三月的情況。因此需要針對每個模型花費數(shù)月時間進行正確性排查，覆蓋模型魯棒性、數(shù)據(jù)時序穿越、線上線下一致性、數(shù)據(jù)完整性等各個維度。
從團隊協(xié)作角度來看，數(shù)據(jù)、模型、算法的開發(fā)和部署需要不同的技能和知識，需要團隊敏捷地進行溝通和協(xié)作。因此，建設(shè)一種可以在任何時間、任何環(huán)境被信任的團隊合作模式、溝通渠道以及反饋機制，形成一個如敏捷迭代、Kubernetes一樣的事實標準，可方便AI工程師敏捷、快速地上線AI應用。
除了效果和效率兩個AI開發(fā)者所關(guān)注的維度外，成本、人才、安全也是機器學習應用開發(fā)落地時需要權(quán)衡的。
成本：無論軟件、硬件成本還是人力成本，企業(yè)需要在落地AI應用的效益和成本之間進行權(quán)衡，確保投入產(chǎn)出比是可行的，而這要求開發(fā)者對成本和產(chǎn)出有更加精準的預測和判斷。
人才：人才短缺是一個普遍問題，哪怕是在硅谷、中關(guān)村等科技人才聚集地，具備機器學習和軟件開發(fā)能力的人也是供不應求的。開發(fā)者需要更好地精進技能，規(guī)劃好AI工程化的技能樹和學習路徑，把自己變成有競爭力的人才。
安全：幾乎所有的企業(yè)都會要求AI應用背后的數(shù)據(jù)、算法和模型符合法規(guī)和標準。開發(fā)者需要確保AI應用和系統(tǒng)不會向企業(yè)外部泄露數(shù)據(jù)，不讓非法的攻擊侵入并影響業(yè)務系統(tǒng)。
正是在這樣的背景下，MLOps快速成為機器學習生產(chǎn)落地中不可或缺的關(guān)鍵能力。構(gòu)建一個靠譜、永遠可以信任、從容應對新技術(shù)演進的機器學習系統(tǒng)，匹配讓AI開發(fā)者高效且省心省力的機器學習應用開發(fā)流程，成為當前機器學習領(lǐng)域面臨的極為關(guān)鍵的問題之一。
作為當今企業(yè)和研究人員關(guān)注的熱點領(lǐng)域，MLOps相關(guān)的知識和實踐仍然相對分散，因此，迫切需要一本系統(tǒng)化介紹MLOps實踐方法的書籍，這也正是我們撰寫本書的動力所在。我們希望本書能夠：
梳理MLOps的核心概念和方法，幫助讀者全面了解MLOps的基本原理；
提供實用的案例分析和操作指南，使讀者能夠在實際項目中應用MLOps，提高工作效率；
針對不同規(guī)模的企業(yè)和團隊，給出相應的MLOps最佳實踐，幫助它們量身定制MLOps策略；
探討MLOps的未來發(fā)展趨勢，以及如何將新技術(shù)方向（如人工智能倫理、可解釋性等）融入MLOps實踐。
我們深知MLOps實踐的推廣和普及需要時間和努力，希望本書可以為研究人員提供全面、系統(tǒng)和實用的指南，以便他們在實際應用中構(gòu)建可靠、高效和穩(wěn)健的機器學習模型，實現(xiàn)業(yè)務價值最大化。
本書內(nèi)容
本書是一本面向MLOps的工程實踐指南，旨在幫助讀者了解如何在實際工作中應用MLOps技術(shù)。本書介紹了不同的主流工具和技術(shù)，這些工具和技術(shù)可以幫助構(gòu)建可靠、可重復使用和可擴展的機器學習模型。通過實際案例，讀者可以更好地理解這些工具和技術(shù)的用途和優(yōu)缺點，以及如何將它們應用于實際項目。
本書內(nèi)容如下。
第1章系統(tǒng)地介紹MLOps出現(xiàn)的背景，給出MLOps的定義和內(nèi)涵，然后比較MLOps和DevOps及其他XOps的異同，幫助讀者對MLOps有較全面的了解。
第2章介紹MLOps涉及的幾種角色，包括產(chǎn)品經(jīng)理、數(shù)據(jù)科學家、數(shù)據(jù)工程師、機器學習工程師、DevOps工程師、IT運維工程師等，并分析AI科學家與AI工程師協(xié)作中容易出現(xiàn)的問題及其解決辦法。
第3章重點介紹機器學習項目涉及的相關(guān)概念和問題，并以全局視角解讀機器學習項目的全流程，探討在這個過程中MLOps需要解決的痛點問題，為后續(xù)深入學習MLOps方法論和工具做準備。
第4章重點介紹MLOps中有關(guān)數(shù)據(jù)的內(nèi)容，介紹什么是以數(shù)據(jù)為中心，以數(shù)據(jù)為中心的人工智能與以模型為中心的人工智能有什么區(qū)別，MLOps中數(shù)據(jù)的生命周期是什么樣的，數(shù)據(jù)架構(gòu)是如何演進的，主要的數(shù)據(jù)問題是什么以及應該如何解決。
第5章結(jié)合機器學習難以落地在工程層面存在的問題，介紹MLOps領(lǐng)域出現(xiàn)的通用流水線工具以及如何幫助提升MLOps流程的串聯(lián)效率，并重點介紹兩個典型的流水線工具：Airflow和MLflow。
第6章主要介紹MLOps中特有的特征平臺，從特征平臺的起源、作用、現(xiàn)狀以及未來趨勢，分析當前的幾個主流商業(yè)產(chǎn)品和相關(guān)的開源項目，讓讀者對特征平臺有一個全面的了解，同時對如何挑選特征平臺給出一些建議。
第7章從構(gòu)建企業(yè)級實時特征平臺的方法論出發(fā)，講述線上線下一致性的重要性，以及所帶來的工程化挑戰(zhàn)；基于開源的機器學習數(shù)據(jù)庫OpenMLDB，深入介紹如何踐行線上線下一致性；通過案例演示，帶領(lǐng)讀者了解OpenMLDB的基本使用方法。
第8章從機器學習模型落地的挑戰(zhàn)開始，引出對Adlik推理工具鏈的介紹，包括Adlik架構(gòu)、端到端模型推理優(yōu)化實踐等，幫助讀者全方位了解如何利用Adlik構(gòu)建完整的機器學習推理方案。
第9章以業(yè)界領(lǐng)先的某國際知名云服務提供商開發(fā)的SageMaker為例，介紹這種全家桶式服務是如何幫助客戶應對大規(guī)模機器學習業(yè)務開發(fā)所帶來的挑戰(zhàn)的。
第10章通過信用卡交易反欺詐系統(tǒng)、推薦系統(tǒng)案例來展示MLOps在不同場景下的挑戰(zhàn)和解決思路，幫助讀者更好地理解和應用MLOps。
第11章以網(wǎng)易云音樂實時模型應用為例，介紹網(wǎng)易云音樂FeatureBox在特征工程上如何解決特征開發(fā)效率、特征數(shù)據(jù)準確性、特征讀寫性能、使用資源大小等一系列問題。
第12章以小米廣告機器學習平臺實踐為例，介紹小米如何將機器學習開發(fā)流程抽象化、工具化、系統(tǒng)化、平臺化，從而提升算法迭代效率，并不斷提升算法效果。
第13章介紹騰訊金融業(yè)務推薦系統(tǒng)建設(shè)的方法，包括如何圍繞業(yè)務增長、用戶體驗優(yōu)化和效率提升等關(guān)鍵目標，應用大數(shù)據(jù)和機器學習技術(shù)，以數(shù)據(jù)驅(qū)動方法推動各個業(yè)務目標的迭代實現(xiàn)。
第14章介紹眾安金融的MLOps建設(shè)背景和整體的實施思路，同時重點介紹實時特征平臺的架構(gòu)設(shè)計、實時特征計算的實現(xiàn)方式，以及特征平臺如何支持反欺詐場景的特征應用。
第15章介紹MLOps成熟度模型，然后介紹谷歌、微軟及信通院對MLOps成熟度模型的劃分方式，讓讀者對MLOps在業(yè)內(nèi)的發(fā)展有更全面的了解。
讀者對象
本書旨在幫助讀者掌握MLOps技術(shù)，從而構(gòu)建可靠、可重復使用和可擴展的機器學習工作流程。我們更加強調(diào)實踐和操作，通過示例來幫助讀者更好地理解并應用這些技術(shù)和工具。
本書適用的讀者對象如下。
數(shù)據(jù)科學家和AI研究人員：希望了解如何將自己的模型和算法更有效地部署到實際生產(chǎn)環(huán)境，提高工作效率和質(zhì)量。
機器學習工程師和DevOps工程師：想要掌握MLOps的最佳實踐，以便在組織內(nèi)更好地支持AI和ML項目的開發(fā)、部署與維護。
產(chǎn)品經(jīng)理和業(yè)務負責人：希望了解MLOps的概念和實踐，以便更好地推動組織內(nèi)AI和ML項目的落地，提高項目成功率和產(chǎn)出價值。
教育者和學者：在教學和研究過程中需要掌握MLOps的理論和實踐知識，以便為學生和咨詢者提供指導。
與我們聯(lián)系
若本書中有描述不到位或錯誤的情況，懇請讀者批評指正，意見可發(fā)送至郵箱startogether2022@163.com。
致謝
在本書撰寫過程中，我深深地感到，要想打造完美的內(nèi)容，個人的力量是遠遠不夠的。在這里，我要感謝所有為本書寫作提供幫助的人，感謝我的同事、家人和朋友，他們一直支持并鼓勵我完成寫作。
感謝所有致力于MLOps領(lǐng)域的人，他們的努力為這個領(lǐng)域的發(fā)展做出了重要貢獻。

鄭　曌　　
第四范式技術(shù)副總裁　　

目錄
作者簡介
前言
第1章　全面了解MLOps 1
1.1　人工智能的趨勢和現(xiàn)狀 1
1.1.1　趨勢1：人工智能在企業(yè)中加速落地，彰顯更多業(yè)務價值 1
1.1.2　趨勢2：人工智能應用從以模型為中心向以數(shù)據(jù)為中心轉(zhuǎn)變 3
1.1.3　現(xiàn)狀：人工智能落地成功率低，
成本高 4
1.2　人工智能的問題、挑戰(zhàn)以及應對措施 5
1.2.1　問題1：機器學習代碼只是整個系統(tǒng)的一小部分 5
1.2.2　問題2：數(shù)據(jù)是最主要的問題 6
1.2.3　挑戰(zhàn)：人工智能系統(tǒng)
如何規(guī)�；涞� 7
1.2.4　應對措施：MLOps 8
1.3　MLOps簡介 8
1.3.1　MLOps的定義 8
1.3.2　MLOps相關(guān)的工具和平臺 12
1.3.3　MLOps的優(yōu)勢 13
1.4　MLOps與DevOps 14
1.4.1　DevOps的3個優(yōu)點 14
1.4.2　MLOps延續(xù)了DevOps的優(yōu)點 17
1.4.3　MLOps和DevOps的不同之處 19
1.4.4　MLOps和DevOps的目標與
實踐理念 20
1.5　MLOps與其他XOps的區(qū)別 20
1.5.1　MLOps與AIOps的區(qū)別 21
1.5.2　MLOps與DataOps的區(qū)別 21
1.5.3　MLOps與ModelOps的區(qū)別 22
1.5.4　XOps的相同點：
都基于DevOps原則 22
1.6　本章小結(jié) 22
第2章　MLOps涉及的角色 23
2.1　角色類型 23
2.1.1　產(chǎn)品經(jīng)理 24
2.1.2　數(shù)據(jù)科學家 24
2.1.3　數(shù)據(jù)工程師 25
2.1.4　機器學習工程師 26
2.1.5　DevOps工程師 27
2.1.6　IT運維工程師 27
2.2　角色劃分以及角色之間
存在的問題 28
2.2.1　角色劃分 28
2.2.2　問題1：技術(shù)棧不一致導致人工智能模型線上、線下效果不一致 28
2.2.3　問題2：關(guān)注點不同導致對系統(tǒng)的
需求不同 29
2.2.4　協(xié)作問題及解決辦法 30
2.3　本章小結(jié) 30
第3章　機器學習項目概論 31
3.1　機器學習項目簡介 31
3.1.1　機器學習的定義 31
3.1.2　機器學習相關(guān)概念 33
3.1.3　機器學習能解決的問題 37
3.1.4　機器學習項目度量 38
3.1.5　機器學習項目難以落地的
原因 41
3.2　深入理解機器學習項目全流程 44
3.2.1　方案調(diào)研 45
3.2.2　方案投產(chǎn) 49
3.3　本章小結(jié) 51
第4章　MLOps中的數(shù)據(jù)部分 52
4.1　從以模型為中心到以數(shù)據(jù)為中心 52
4.1.1　以模型為中心的時代 52
4.1.2　以數(shù)據(jù)為中心的時代 53
4.2　MLOps中的數(shù)據(jù)生命周期管理 55
4.3　數(shù)據(jù)存儲架構(gòu)演進 56
4.4　MLOps中主要的數(shù)據(jù)問題及
解決方案 57
4.4.1　常見的數(shù)據(jù)質(zhì)量問題及
解決方案 57
4.4.2　時序數(shù)據(jù)穿越問題及解決方案 59
4.4.3　離線和實時數(shù)據(jù)一致性問題及
解決方案 64
4.4.4　數(shù)據(jù)安全問題及解決方案 66
4.4.5　數(shù)據(jù)共享與復用問題及
解決方案 67
4.5　本章小結(jié) 67
第5章　流水線工具 69
5.1　Airflow 69
5.1.1　Airflow的功能和應用場景 69
5.1.2　Airflow的核心概念 72
5.1.3　Airflow的使用方法 72
5.2　MLflow 80
5.2.1　MLflow的功能和應用場景 80
5.2.2　MLflow的核心概念 81
5.2.3　MLflow的使用方法 82
5.3　其他流水線工具 91
5.4　本章小結(jié) 93
第6章　特征平臺 94
6.1　特征平臺的概念和起源 94
6.2　特征平臺的特性 96
6.3　特征平臺的現(xiàn)狀 97
6.4　主流的特征平臺 98
6.4.1　Tecton的特征平臺 99
6.4.2　AWS的SageMaker特征平臺 100
6.4.3　Databricks的特征平臺 102
6.4.4　Feast項目 103
6.4.5　OpenMLDB項目 105
6.5　特征平臺的發(fā)展趨勢 106
6.6　本章小結(jié) 107
第7章　實時特征平臺
OpenMLDB 108
7.1　實時特征平臺構(gòu)建方法論 108
7.1.1　機器學習閉環(huán) 108
7.1.2　實時特征計算 109
7.1.3　痛點：線上線下計算一致性
校驗帶來的高成本 110
7.1.4　目標：開發(fā)即上線 112
7.1.5　技術(shù)需求 112
7.1.6　抽象架構(gòu) 113
7.1.7　OpenMLDB架構(gòu)設(shè)計實踐 114
7.2　OpenMLDB項目介紹 116
7.2.1　設(shè)計理念 116
7.2.2　生產(chǎn)級機器學習特征平臺 116
7.2.3　核心特性 117
7.2.4　常見問題 117
7.3　核心模塊在線引擎 118
7.3.1　概覽 118
7.3.2　Apache ZooKeeper 119
7.3.3　Nameserver 119
7.3.4　Tablet 120
7.4　核心數(shù)據(jù)結(jié)構(gòu) 122
7.4.1　背景介紹 122
7.4.2　雙層跳表索引 122
7.4.3　預聚合技術(shù) 124
7.4.4　性能表現(xiàn) 125
7.5　高級特性主從集群部署 127
7.5.1　定義和目標 127
7.5.2　技術(shù)方案 127
7.5.3　主從集群搭建實踐 130
7.5.4　主從集群部署常見問題 131
7.6　高級特性雙存儲引擎 133
7.6.1　內(nèi)存和磁盤雙存儲
引擎架構(gòu) 133
7.6.2　功能支持對比 134
7.6.3　性能對比 135
7.7　執(zhí)行流程介紹 136
7.7.1　執(zhí)行流程概覽 136
7.7.2　執(zhí)行模式概覽 137
7.7.3　離線模式 137
7.7.4　在線模式 138
7.7.5　請求模式 138
7.8　實踐 139
7.8.1　準備 140
7.8.2　使用流程 141
7.8.3　實時特征計算的結(jié)果說明 144
7.9　生態(tài)整合在線數(shù)據(jù)源Kafka 145
7.9.1　簡介 145
7.9.2　準備工作 146
7.9.3　步驟1：啟動OpenMLDB
并創(chuàng)建數(shù)據(jù)庫 146
7.9.4　步驟2：啟動Kafka
并創(chuàng)建Topic 147
7.9.5　步驟3：啟動Connector 147
7.9.6　步驟4：測試 148
7.10　生態(tài)整合離線數(shù)據(jù)源Hive 149
7.10.1　配置 149
7.10.2　數(shù)據(jù)類型 149
7.10.3　通過LIKE語法快速建表 150
7.10.4　將Hive數(shù)據(jù)導入
OpenMLDB 150
7.10.5　將OpenMLDB數(shù)據(jù)
導出到Hive 151
7.11　案例：出租車行程時間預測 151
7.11.1　環(huán)境準備和預備知識 151
7.11.2　全流程演示 152
7.12　本章小結(jié) 155
第8章　Adlik推理工具鏈 156
8.1　機器學習模型落地挑戰(zhàn) 156
8.2　Adlik的優(yōu)勢 157
8.3　Adlik的架構(gòu) 158
8.3.1　模型優(yōu)化器 159
8.3.2　模型編譯器 161
8.3.3　推理引擎模塊 161
8.4　快速入門 164
8.4.1　編譯模型 164
8.4.2　部署模型 166
8.4.3　模型推理 166
8.4.4　引入自定義運行時 167
8.5　Adlik端到端模型推理優(yōu)化實踐 168
8.5.1　模型結(jié)構(gòu)優(yōu)化 168
8.5.2　模型推理引擎 170
8.6　本章小結(jié) 171
第9章　云服務供應商的端到端MLOps解決方案 172
9.1　認識SageMaker 173
9.1.1　SageMaker的主要組成
部分 173
9.1.2　廣泛的數(shù)據(jù)源和數(shù)據(jù)集成
支持 174
9.2　無代碼實現(xiàn)供應鏈中到貨時間的
預測 176
9.2.1　數(shù)據(jù)準備 177
9.2.2　簡單的數(shù)據(jù)合并 179
9.2.3　構(gòu)建、訓練和分析機器學習
模型 180
9.2.4　模型預測 183
9.3　應用SageMaker Notebook進行 MLOps 管理 183
9.3.1　數(shù)據(jù)導入 184
9.3.2　數(shù)據(jù)清洗和特征設(shè)計 184
9.3.3　模型訓練 185
9.3.4　模型評估 186
9.3.5　模型上線 187
9.3.6　使用模型倉庫和 Pipeline系統(tǒng)
管理訓練成果 187
9.4　本章小結(jié) 194
第10章　MLOps 在反欺詐與推薦
系統(tǒng)中的應用 196
10.1　案例1：信用卡交易反欺詐系統(tǒng) 196
10.1.1　定義業(yè)務目標 196
10.1.2　系統(tǒng)設(shè)計的挑戰(zhàn) 198
10.1.3　數(shù)據(jù)準備與特征設(shè)計思路 201
10.1.4　系統(tǒng)設(shè)計與實現(xiàn) 202
10.2　案例2：推薦系統(tǒng) 205
10.2.1　推薦系統(tǒng)介紹 205
10.2.2　定義優(yōu)化目標 206
10.2.3　系統(tǒng)設(shè)計挑戰(zhàn)與實現(xiàn)思路 208
10.3　本章小結(jié) 210
第11章　網(wǎng)易云音樂實時模型大規(guī)模應用之道 211
11.1　從云音樂直播推薦中的實時性
說起 211
11.1.1　直播對實時性的強需求 213
11.1.2　推薦引擎實時性的三要素 213
11.1.3　直播精排模型的實時化演進 216
11.2　實時增量模型的構(gòu)建 216
11.2.1　實時特征快照 217
11.2.2　實時樣本歸因 219
11.2.3　實時樣本拼接 222
11.2.4　增量訓練和更新 223
11.2.5　線上效果 224
11.3　特征平臺將實時能力泛化到
更多場景 225
11.4　FeatureBox 226
11.4.1　FeatureBox解決的問題 226
11.4.2　FeatureBox整體架構(gòu) 227
11.4.3　DataHub模塊 227
11.4.4　Transform模塊 231
11.4.5　MFDL模塊 232
11.4.6　Storage模塊 233
11.4.7　Monitor模塊 234
11.5　在線預估基于FeatureBox的
構(gòu)建 236
11.5.1　特征與模型的高效迭代 236
11.5.2　高性能預估計算 242
11.5.3　預估與FeatureBox實時性
方案 246
11.6　本章小結(jié) 248
第12章　小米廣告機器學習平臺
實踐 249
12.1　小米廣告一站式機器學習平臺
簡介 249
12.1.1　傳統(tǒng)機器學習流程的問題 249
12.1.2　小米廣告機器學習平臺模塊
簡介 251
12.2　特征工程模塊 252
12.2.1　特征工程簡介 252
12.2.2　數(shù)據(jù)源管理 253
12.2.3　特征管理 253
12.2.4　樣本管理 257
12.3　模型訓練平臺 259
12.3.1　算法管理 260
12.3.2　離線模型訓練管理 261
12.3.3　模型更新 262
12.4　線上推理模塊 264
12.4.1　線上推理服務介紹 264
12.4.2　高性能和高可用保證 266
12.4.3　模型部署 268
12.5　本章小結(jié) 273
第13章　騰訊金融推薦中臺實踐 274
13.1　業(yè)務介紹 274
13.1.1　業(yè)務優(yōu)化目標 274
13.1.2　業(yè)務特點 275
13.2　現(xiàn)狀及挑戰(zhàn) 276
13.2.1　推薦系統(tǒng)復雜性 277
13.2.2　算法工程技術(shù)壁壘 278
13.3　MLOps實踐 278
13.4　推薦系統(tǒng)產(chǎn)品體系 280
13.4.1　特征系統(tǒng) 281
13.4.2　模型訓練系統(tǒng) 281
13.4.3　模型服務系統(tǒng) 282
13.4.4　推薦運營系統(tǒng) 283
13.5　系統(tǒng)設(shè)計 283
13.5.1　特征系統(tǒng) 284
13.5.2　模型服務系統(tǒng) 290
13.6　本章小結(jié) 293
第14章　眾安金融實時特征平臺
實踐 294
14.1　眾安金融的MLOps建設(shè)背景 294
14.2　眾安金融的MLOps建設(shè)思路 295
14.2.1　眾安金融的MLOps流程說明 295
14.2.2　眾安金融特征平臺
能力要求 297
14.3　實時特征平臺的架構(gòu)設(shè)計 297
14.3.1　實時特征平臺架構(gòu)說明 298
14.3.2　實時特征數(shù)據(jù)源層 298
14.3.3　實時特征平臺的核心功能 299
14.4　實時業(yè)務特征計算 300
14.4.1　實時業(yè)務特征計算系統(tǒng)
設(shè)計 300
14.4.2　實時業(yè)務特征核心數(shù)據(jù)
模型 301
14.4.3　實時業(yè)務特征計算引擎 302
14.5　反欺詐場景中的特征計算 303
14.5.1　反欺詐特征計算系統(tǒng)設(shè)計 303
14.5.2　反欺詐特征分類說明 304
14.5.3　用戶關(guān)系圖譜實現(xiàn)方案 305
14.6　本章小結(jié) 306
第15章　MLOps成熟度模型 308
15.1　能力成熟度模型概述 308
15.2　谷歌的MLOps成熟度模型 309
15.2.1　谷歌對MLOps的理解和
認識 309
15.2.2　谷歌對MLOps成熟度等級的
定義 310
15.3　微軟的MLOps成熟度模型 317
15.3.1　微軟對MLOps成熟度模型的
理解和認識 317
15.3.2　微軟對MLOps成熟度等級的
定義 318
15.4　信通院的MLOps成熟度模型 322
15.4.1　需求管理能力子域
相關(guān)內(nèi)容 323
15.4.2　數(shù)據(jù)工程能力子域
相關(guān)內(nèi)容 325
15.5　本章小結(jié) 329

你還可能感興趣

我要評論