ML：MLOps系列講解之系列知識解讀全貌

導讀：您將了解如何使用機器學習，了解需要管理的各種變更場景，以及基于ml的軟體開發的迭代性質，最后，我們提供了MLOps的定義，并展示了MLOps的發展，

目錄

ML：MLOps系列講解之系列知識解讀全貌

MLOps的簡介

1、MLOps的定義與發展—你為什么可能想使用機器學習

1.1、Deployment GapML部署的差距

1.2、Scenarios of Change That Need to be Managed需要管理的變化的場景

1.3、MLOps Definition定義

1.4、MLOps Evolution進化

1.5、The Evolution of MLOps

2、設計機器學習驅動的(ML-powered)軟體—我們想要解決的業務問題是什么？

2.1、Work Flow Decomposition作業流程分解

2.2、AI Canvas

2.3、機器學習Canvas

3、端到端 ML作業流生命周期

3.1、Data Engineering

3.2、Model Engineering

3.3、Model Deployment

4、基于ML的軟體的三個層次

4.1、Data： Data Engineering Pipelines

4.2、Model： Machine Learning Pipelines

4.3、Code： Deployment Pipelines

5、MLOps原則

5.1、Iterative-Incremental Process in MLOps MLOps中的迭代增量程序

5.2、Automation自動化

5.3、Continuous X持續部署

5.4、Versioning版本控制

5.5、Experiments Tracking實驗跟蹤

5.6、Testing測驗

5.7、Monitoring 監控

5.8、“ML Test Score” System “機器學習成績”系統

5.9、Reproducibility可再現性

5.10、Loosely Coupled Architecture (Modularity) 松散耦合架構(模塊化)

5.11、ML-based Software Delivery Metrics (4 metrics from “Accelerate”) 基于ML的軟體交付指標(來自“加速”的4個指標)

5.12、Summary of MLOps Principles and Best Practices

6、CRISP-ML (Q)ML生命周期程序—了解機器學習開發的標準程序模型，

6.1、Business and Data Understanding業務和資料理解

6.2、Data Engineering (Data Preparation)資料工程(資料準備)

6.3、Machine Learning Model Engineering機器學習模型工程

6.4、Evaluating Machine Learning Models評估機器學習模型

6.5、Deployment部署

6.6、Monitoring and Maintenance監控和維護

6.7、Conclusion

6.8、Acknowledgements

7、MLOps Stack Canvas堆疊畫布

7.1、MLOps Stack Canvas

7.2、Documenting MLOps Architecture 記錄MLOps架構

7.3、MLOps Maturity Level MLOps 成熟度級別

7.4、Conclusion 結論

7.5、Acknowledgements

8、ML模型治理

9、MLOps的State(工具和框架)

ML：MLOps系列講解之系列知識解讀全貌

MLOps的簡介

原址：https：//ml-ops.org/

Machine Learning Operations=Design+Model Development+Operations

Machine Learning Operations是借助機器學習模型操作化管理(MLOps)，我們希望提供端到端的機器學習開發程序，以設計、構建和管理可再生、可測驗和可演進的ML驅動軟體，
作為一個新興的領域，MLOps正在資料科學家、ML工程師和AI愛好者中迅速獲得勢頭，遵循這一趨勢，持續交付基金會SIG MLOps將ML模型管理與傳統軟體工程區分開來，并建議以下MLOps能力：

• MLOps旨在統一機器學習和軟體應用程式發布的發布周期，
• MLOps支持機器學習工件的自動化測驗(例如資料驗證、ML模型測驗和ML模型集成測驗)
• MLOps能夠將敏捷原則應用到機器學習專案中，
• MLOps支持機器學習模型和資料集，將這些模型構建為CI/CD系統中的第一等級，
• MLOps減少了跨機器學習模型的技術債務，
• MLOps必須是一種與語言、框架、平臺和基礎設施無關的實踐，

1、MLOps的定義與發展—你為什么可能想使用機器學習

1.1、Deployment GapML部署的差距

1.2、Scenarios of Change That Need to be Managed需要管理的變化的場景

1.3、MLOps Definition定義

1.4、MLOps Evolution進化

1.5、The Evolution of MLOps

相關文章：ML：MLOps系列講解之《MLOps的定義與發展—你為什么可能想使用機器學習》解讀

2、設計機器學習驅動的(ML-powered)軟體—我們想要解決的業務問題是什么？

2.1、Work Flow Decomposition作業流程分解

2.2、AI Canvas

2.3、機器學習Canvas

2.3.1、機器學習畫布(v1.0)，THE MACHINE LEARNING CANVAS (V1.0)

相關文章：ML：MLOps系列講解之《設計機器學習驅動的(ML-powered)軟體—我們想要解決的業務問題是什么？》解讀

3、端到端 ML作業流生命周期

3.1、Data Engineering

3.2、Model Engineering

3.3、Model Deployment

相關文章：ML：MLOps系列講解之《端到端 ML作業流生命周期》解讀

4、基于ML的軟體的三個層次

4.1、Data： Data Engineering Pipelines

4.1.1、Data Ingestion

4.1.2、Exploration and Validation

4.1.3、Data Splitting

4.2、Model： Machine Learning Pipelines

4.2.1、Model Training

4.2.2、Model Evaluation

4.2.3、Model Testing

4.2.4、Model Packaging

4.2.5、Different forms of ML workflows不同形式的機器學習作業流程

4.2.6、ML Model serialization formats 機器學習模型序列化格式

4.3、Code： Deployment Pipelines

4.3.1、Model Serving Patterns模型服務模式

4.3.2、Deployment Strategies部署策略

相關文章：ML：MLOps系列講解之《基于ML的軟體的三個層次》解讀

5、MLOps原則

5.1、Iterative-Incremental Process in MLOps MLOps中的迭代增量程序

5.2、Automation自動化

5.3、Continuous X持續部署

5.4、Versioning版本控制

5.5、Experiments Tracking實驗跟蹤

5.6、Testing測驗

5.6.1、Features and Data Tests特征和資料測驗

5.6.2、Tests for Reliable Model Development可靠模型開發的測驗

5.6.3、ML infrastructure test機器學習基礎設施測驗

5.7、Monitoring 監控

5.8、“ML Test Score” System “機器學習成績”系統

5.9、Reproducibility可再現性

5.10、Loosely Coupled Architecture (Modularity) 松散耦合架構(模塊化)

5.11、ML-based Software Delivery Metrics (4 metrics from “Accelerate”) 基于ML的軟體交付指標(來自“加速”的4個指標)

5.12、Summary of MLOps Principles and Best Practices

相關文章：ML：MLOps系列講解之《MLOps原則—迭代增量程序/自動化/持續部署/版本控制/實驗跟蹤/測驗/監控/“ML成績”系統/可再現性/松散耦合架構(模塊化)/基于ML的軟體交付指標/MLO等》解讀

6、CRISP-ML (Q)ML生命周期程序—了解機器學習開發的標準程序模型，

6.1、Business and Data Understanding業務和資料理解

6.2、Data Engineering (Data Preparation)資料工程(資料準備)

6.3、Machine Learning Model Engineering機器學習模型工程

6.4、Evaluating Machine Learning Models評估機器學習模型

6.5、Deployment部署

6.6、Monitoring and Maintenance監控和維護

6.7、Conclusion

6.8、Acknowledgements

相關文章：ML：MLOps系列講解之《CRISP-ML (Q)ML生命周期程序—了解機器學習開發的標準程序模型—業務和資料理解→資料工程(資料準備)→ML模型工程→評估ML模型→模型部署→模型監控和維護》解讀

7、MLOps Stack Canvas堆疊畫布

7.1、MLOps Stack Canvas

7.2、Documenting MLOps Architecture 記錄MLOps架構

7.3、MLOps Maturity Level MLOps 成熟度級別

7.4、Conclusion 結論

7.5、Acknowledgements

相關文章：ML：MLOps系列講解之《MLOps Stack Canvas堆疊畫布》解讀

8、ML模型治理

本部分介紹了治理流程的概述，這些流程是MLOps不可或缺的一部分，

9、MLOps的State(工具和框架)

相關文章：ML：MLOps系列講解之《MLOps的State(工具和框架)》解讀