机器学习平台工程

交付成功的机器学习项目非常困难。这本书让一切变得更容易。在其中，您将从头开始设计一个可靠的机器学习系统，将 MLOps 和 DevOps 与一系列经过验证的基础设施工具结合起来，包括 Kubeflow、MLFlow、BentoML、Evidently 和 Feast。

正确设计的机器学习系统可以简化数据工作流程，改善数据和运营团队之间的协作，并为培训和部署提供急需的结构。在本书中，您将学习如何从头开始设计和实现机器学习系统。您将会欣赏这个即时有用的介绍，以实现自动化 ML 基础设施的全部优势。

在机器学习平台工程中，您将学习如何：

• 设置 MLOps 平台
• 将机器学习模型部署到生产
• 构建端到端数据管道
• 有效的监控和可解释性

关于技术

AI 和 ML 系统有很多移动部件，从语言到语言库和应用程序框架，工作流程和部署基础设施，LLM 和其他高级模型。精心设计的内部开发平台 (IDP) 为开发人员提供了一组明确的工具和指南，可加速开发流程，提高一致性、安全性和开发人员体验。

关于本书

机器学习平台工程向您展示如何为 ML 和 AI 应用程序构建有效的 IDP。每一章都阐述了 ML 工作流程的重要部分，包括设置编排管道、选择模型、为训练、推理和服务分配资源等。随着您的学习，您将使用 Kubeflow、MLFlow、BentoML、Evidently、Feast 和 LangChain 等开源工具创建一个多功能的现代平台。

内容

• 设置端到端 MLOps/LLMOps 平台
• 将 ML 和 AI 模型部署到生产
• 有效的监控、评估和可解释性

关于读者

适用于数据科学家或软件工程师。 Python 示例。

关于作者

Benjamin Tan Weihao 在 DKatalis 领导着一个由 ML 工程师和数据科学家组成的团队。 Shanoop Padmanabhan 是大陆汽车公司的软件工程经理。 Varun Mallya 是 DKatalis 的高级 ML 工程师。

目录

第 1 部分
1 MLOps 和 ML 工程入门
2 什么是 MLOps？
3 在 Kubernetes 上构建应用程序
第 2 部分
4 设计可靠的 ML 系统
5 编排 ML 管道
6 生产 ML 模型
第 3 部分
7 数据分析和准备
8 模型训练和验证：第 1 部分
9 模型训练和验证：第 2 部分
10 模型推理和服务
11 监控和可解释性
第 4 部分
12 设计 LLM 驱动的系统
13 生产 LLM 系统设计
A 安装和设置
B YAML 基础知识