MLOps工程实践：工具、技术与企业级应用

15.5 本章小结

15.4 信通院的MLOps成熟度模型

15.3 微软的MLOps成熟度模型

15.2 谷歌的MLOps成熟度模型

15.1 能力成熟度模型概述

第15章 MLOps成熟度模型

14.6 本章小结

14.5 反欺诈场景中的特征计算

14.4 实时业务特征计算

14.3 实时特征平台的架构设计

14.2 众安金融的MLOps建设思路

14.1 众安金融的MLOps建设背景

第14章 众安金融实时特征平台实践

13.6 本章小结

13.5 系统设计

13.4 推荐系统产品体系

13.3 MLOps实践

13.2 现状及挑战

13.1 业务介绍

第13章 腾讯金融推荐中台实践

12.5 本章小结

12.4 线上推理模块

12.3 模型训练平台

12.2 特征工程模块

12.1 小米广告一站式机器学习平台简介

第12章 小米广告机器学习平台实践

11.6 本章小结

11.5 在线预估基于FeatureBox的构建

11.4 FeatureBox

11.3 特征平台将实时能力泛化到更多场景

11.2 实时增量模型的构建

11.1 从云音乐直播推荐中的实时性说起

第11章 网易云音乐实时模型大规模应用之道

10.3 本章小结

10.2 案例2：推荐系统

10.1 案例1：信用卡交易反欺诈系统

第10章 MLOps在反欺诈与推荐系统中的应用

9.4 本章小结

9.3 应用SageMaker Notebook进行MLOps管理

9.2 无代码实现供应链中到货时间的预测

9.1 认识SageMaker

第9章 云服务供应商的端到端MLOps解决方案

8.6 本章小结

8.5 Adlik端到端模型推理优化实践

8.4 快速入门

8.3 Adlik的架构

8.2 Adlik的优势

8.1 机器学习模型落地挑战

第8章 Adlik推理工具链

7.12 本章小结

7.11 案例：出租车行程时间预测

7.10 生态整合——离线数据源Hive

7.9 生态整合——在线数据源Kafka

7.8 实践

7.7 执行流程介绍

7.6 高级特性——双存储引擎

7.5 高级特性——主从集群部署

7.4 核心数据结构

7.3 核心模块——在线引擎

7.2 OpenMLDB项目介绍

7.1 实时特征平台构建方法论

第7章 实时特征平台OpenMLDB

6.6 本章小结

6.5 特征平台的发展趋势

6.4 主流的特征平台

6.3 特征平台的现状

6.2 特征平台的特性

6.1 特征平台的概念和起源

第6章 特征平台

5.4 本章小结

5.3 其他流水线工具

5.2 MLflow

5.1 Airflow

第5章 流水线工具

4.5 本章小结

4.4 MLOps中主要的数据问题及解决方案

4.3 数据存储架构演进

4.2 MLOps中的数据生命周期管理

4.1 从以模型为中心到以数据为中心

第4章 MLOps中的数据部分

3.3 本章小结

3.2 深入理解机器学习项目全流程

3.1 机器学习项目简介

第3章 机器学习项目概论

2.3 本章小结

2.2 角色划分以及角色之间存在的问题

2.1 角色类型

第2章 MLOps涉及的角色

1.6 本章小结

1.5 MLOps与其他XOps的区别

1.4 MLOps与DevOps

1.3 MLOps简介

1.2 人工智能的问题、挑战以及应对措施

1.1 人工智能的趋势和现状

第1章 全面了解MLOps

前言

作者简介

内容简介

版权信息

封面

封面

版权信息

内容简介

作者简介

前言

第1章 全面了解MLOps

1.1 人工智能的趋势和现状

1.2 人工智能的问题、挑战以及应对措施

1.3 MLOps简介

1.4 MLOps与DevOps

1.5 MLOps与其他XOps的区别

1.6 本章小结

第2章 MLOps涉及的角色

2.1 角色类型

2.2 角色划分以及角色之间存在的问题

2.3 本章小结

第3章 机器学习项目概论

3.1 机器学习项目简介

3.2 深入理解机器学习项目全流程

3.3 本章小结

第4章 MLOps中的数据部分

4.1 从以模型为中心到以数据为中心

4.2 MLOps中的数据生命周期管理

4.3 数据存储架构演进

4.4 MLOps中主要的数据问题及解决方案

4.5 本章小结

第5章 流水线工具

5.1 Airflow

5.2 MLflow

5.3 其他流水线工具

5.4 本章小结

第6章 特征平台

6.1 特征平台的概念和起源

6.2 特征平台的特性

6.3 特征平台的现状

6.4 主流的特征平台

6.5 特征平台的发展趋势

6.6 本章小结

第7章 实时特征平台OpenMLDB

7.1 实时特征平台构建方法论

7.2 OpenMLDB项目介绍

7.3 核心模块——在线引擎

7.4 核心数据结构

7.5 高级特性——主从集群部署

7.6 高级特性——双存储引擎

7.7 执行流程介绍

7.8 实践

7.9 生态整合——在线数据源Kafka

7.10 生态整合——离线数据源Hive

7.11 案例：出租车行程时间预测

7.12 本章小结

第8章 Adlik推理工具链

8.1 机器学习模型落地挑战

8.2 Adlik的优势

8.3 Adlik的架构

8.4 快速入门

8.5 Adlik端到端模型推理优化实践

8.6 本章小结

第9章 云服务供应商的端到端MLOps解决方案

9.1 认识SageMaker

9.2 无代码实现供应链中到货时间的预测

9.3 应用SageMaker Notebook进行MLOps管理

9.4 本章小结

第10章 MLOps在反欺诈与推荐系统中的应用

10.1 案例1：信用卡交易反欺诈系统

10.2 案例2：推荐系统

10.3 本章小结

第11章 网易云音乐实时模型大规模应用之道

11.1 从云音乐直播推荐中的实时性说起

11.2 实时增量模型的构建

11.3 特征平台将实时能力泛化到更多场景

11.4 FeatureBox

11.5 在线预估基于FeatureBox的构建

11.6 本章小结

第12章 小米广告机器学习平台实践

12.1 小米广告一站式机器学习平台简介

12.2 特征工程模块

12.3 模型训练平台

12.4 线上推理模块

12.5 本章小结

第13章 腾讯金融推荐中台实践

13.1 业务介绍

13.2 现状及挑战

13.3 MLOps实践

13.4 推荐系统产品体系

13.5 系统设计

13.6 本章小结

第14章 众安金融实时特征平台实践

14.1 众安金融的MLOps建设背景

14.2 众安金融的MLOps建设思路

14.3 实时特征平台的架构设计

14.4 实时业务特征计算

14.5 反欺诈场景中的特征计算

14.6 本章小结

第15章 MLOps成熟度模型

15.1 能力成熟度模型概述

15.2 谷歌的MLOps成熟度模型

15.3 微软的MLOps成熟度模型

15.4 信通院的MLOps成熟度模型

15.5 本章小结