AI工程化—— 探索如何实现AI在企业多快好省的落地

雪碧有白泡泡 2024-06-14 13:01:02 阅读 64

引言

作为计算机科学的一个重要领域，机器学习也是目前人工智能领域非常活跃的分支之一。机器学习通过分析海量数据、总结规律，帮助人们解决众多实际问题。随着机器学习技术的发展，越来越多的企业将机器学习技术作为核心竞争力，并运用在实际业务中。

但是，机器学习应用落地并非一件轻松的事情，AI开发者往往需要面对各个环节的挑战。这些环节包括目标定义、数据收集、数据清洗、特征提取、模型选择、模型训练、模型部署和模型监控等，其中任何一个环节出现失误，都可能影响算法和策略在最终业务中落地的效果，造成成倍的损失。反过来看，利用工程化技术去优化模型的自学习能力，能让模型保持持续更新、迭代和演进，随着数据和业务的变化不断进行自适应，避免衰退，始终保持在最佳状态，为业务场景带来更好的效果、更多的价值。

除了效果之外，机器学习应用的开发效率也是阻碍落地的关键因素。像Google这样的互联网领头羊企业，其AI科学家与AI工程师也常常会遇到“开发一周，上线三月”的情况。因此需要针对每个模型花费数月时间进行正确性排查，覆盖模型鲁棒性、数据时序穿越、线上线下一致性、数据完整性等各个维度。

从团队协作角度来看，数据、模型、算法的开发和部署需要不同的技能和知识，需要团队敏捷地进行沟通和协作。因此，建设一种可以在任何时间、任何环境被信任的团队合作模式、沟通渠道以及反馈机制，形成一个如敏捷迭代、Kubernetes一样的事实标准，可方便AI工程师敏捷、快速地上线AI应用。

除了效果和效率两个AI开发者所关注的维度外，成本、人才、安全也是机器学习应用开发落地时需要权衡的。

成本：无论软件、硬件成本还是人力成本，企业需要在落地AI应用的效益和成本之间进行权衡，确保投入产出比是可行的，而这要求开发者对成本和产出有更加精准的预测和判断。人才：人才短缺是一个普遍问题，哪怕是在硅谷、中关村等科技人才聚集地，具备机器学习和软件开发能力的人也是供不应求的。开发者需要更好地精进技能，规划好AI工程化的技能树和学习路径，把自己变成有竞争力的人才。安全：几乎所有的企业都会要求AI应用背后的数据、算法和模型符合法规和标准。开发者需要确保AI应用和系统不会向企业外部泄露数据，不让非法的攻击侵入并影响业务系统。

正是在这样的背景下，MLOps快速成为机器学习生产落地中不可或缺的关键能力。构建一个靠谱、永远可以信任、从容应对新技术演进的机器学习系统，匹配让AI开发者高效且省心省力的机器学习应用开发流程，成为当前机器学习领域面临的极为关键的问题之一。

在这里插入图片描述

《MLOps工程实践：工具、技术与企业级应用》陈雨强郑曌谭中意卢冕等著第四范式创始人领衔撰写腾讯、小米、百度、网易等分享MLOps工程经验指导企业构建可靠、高效、可复用、可扩展机器学习模型

作为当今企业和研究人员关注的热点领域，MLOps相关的知识和实践仍然相对分散，因此，迫切需要一本系统化介绍MLOps实践方法的书籍。希望本书能够：

梳理MLOps的核心概念和方法，帮助读者全面了解MLOps的基本原理；

提供实用的案例分析和操作指南，使读者能够在实际项目中应用MLOps，提高工作效率；

针对不同规模的企业和团队，给出相应的MLOps最佳实践，帮助它们量身定制MLOps策略；

探讨MLOps的未来发展趋势，以及如何将新技术方向（如人工智能伦理、可解释性等）融入MLOps实践。

MLOps实践的推广和普及需要时间和努力，希望本书可以为研究人员提供全面、系统和实用的指南，以便他们在实际应用中构建可靠、高效和稳健的机器学习模型，实现业务价值最大化。

内容介绍

这是一本能指导企业利用MLOps技术构建可靠、高效、可复用、可扩展的机器学习模型，从而实现AI工程化落地的著作。本书由国内AI领域的独角兽企业第四范式的联合创始人领衔撰写，从工具、技术、企业级应用、成熟度评估4个维度对MLOps进行了全面的讲解。

本书的主要内容包括如下9个方面：

（1）MLOps的核心概念和方法，可以帮助读者全面了解MLOps的基本原理；（2）MLOps涉及的几种角色，以及这些角色之间如何协作；

（3）机器学习项目的基础知识和全流程，是学习和应用MLOps的基础；

（4）MLOps中的数据处理、主要流水线工具Airflow和MLflow、特征平台和实时特征平台OpenMLDB、推理工具链Adlik，为读者系统讲解MLOps的技术和工具；

（5）云服务供应商的端到端MLOps解决方案；（6）第四范式、网易、小米、腾讯、众安金融等企业的MLOps工程实践案例和经验；

（7）MLOps的成熟度模型，以及微软、谷歌和信通院对MLOps成熟度模型的划分；

（8）针对不同规模的企业和团队的MLOps最佳实践，帮助他们量身定做MLOps策略；

（9）MLOps的未来发展趋势，以及如何将新技术融入MLOps实践。

目录作者简介前言第1章全面了解MLOps11.1 人工智能的趋势和现状 11.1.1 趋势1：人工智能在企业中加速落地，彰显更多业务价值 11.1.2 趋势2：人工智能应用从以模型为中心向以数据为中心转变 31.1.3 现状：人工智能落地成功率低，成本高 41.2 人工智能的问题、挑战以及应对措施 51.2.1 问题1：机器学习代码只是整个系统的一小部分 51.2.2 问题2：数据是最主要的问题 61.2.3 挑战：人工智能系统如何规模化落地 71.2.4 应对措施：MLOps 81.3 MLOps简介 81.3.1 MLOps的定义 81.3.2 MLOps相关的工具和平台 121.3.3 MLOps的优势 131.4 MLOps与DevOps 141.4.1 DevOps的3个优点 141.4.2 MLOps延续了DevOps的优点 171.4.3 MLOps和DevOps的不同之处 191.4.4 MLOps和DevOps的目标与实践理念 201.5 MLOps与其他XOps的区别 201.5.1 MLOps与AIOps的区别 211.5.2 MLOps与DataOps的区别 211.5.3 MLOps与ModelOps的区别 221.5.4 XOps的相同点：都基于DevOps原则 221.6 本章小结 22第2章 MLOps涉及的角色232.1 角色类型 232.1.1 产品经理 242.1.2 数据科学家 242.1.3 数据工程师 252.1.4 机器学习工程师 262.1.5 DevOps工程师 272.1.6 IT运维工程师 272.2 角色划分以及角色之间存在的问题 282.2.1 角色划分 282.2.2 问题1：技术栈不一致导致人工智能模型线上、线下效果不一致 282.2.3 问题2：关注点不同导致对系统的需求不同 292.2.4 协作问题及解决办法 302.3 本章小结 30第3章机器学习项目概论313.1 机器学习项目简介 313.1.1 机器学习的定义 313.1.2 机器学习相关概念 333.1.3 机器学习能解决的问题 373.1.4 机器学习项目度量 383.1.5 机器学习项目难以落地的原因 413.2 深入理解机器学习项目全流程 443.2.1 方案调研 453.2.2 方案投产 493.3 本章小结 51第4章 MLOps中的数据部分524.1 从以模型为中心到以数据为中心 524.1.1 以模型为中心的时代 524.1.2 以数据为中心的时代 534.2 MLOps中的数据生命周期管理 554.3 数据存储架构演进 564.4 MLOps中主要的数据问题及解决方案 574.4.1 常见的数据质量问题及解决方案 574.4.2 时序数据穿越问题及解决方案 594.4.3 离线和实时数据一致性问题及解决方案 644.4.4 数据安全问题及解决方案 664.4.5 数据共享与复用问题及解决方案 674.5 本章小结 67第5章流水线工具695.1 Airflow 695.1.1 Airflow的功能和应用场景 695.1.2 Airflow的核心概念 725.1.3 Airflow的使用方法 725.2 MLflow 805.2.1 MLflow的功能和应用场景 805.2.2 MLflow的核心概念 815.2.3 MLflow的使用方法 825.3 其他流水线工具 915.4 本章小结 93第6章特征平台946.1 特征平台的概念和起源 946.2 特征平台的特性 966.3 特征平台的现状 976.4 主流的特征平台 986.4.1 Tecton的特征平台 996.4.2 AWS的SageMaker特征平台 1006.4.3 Databricks的特征平台 1026.4.4 Feast项目 1036.4.5 OpenMLDB项目 1056.5 特征平台的发展趋势 1066.6 本章小结 107第7章实时特征平台OpenMLDB1087.1 实时特征平台构建方法论 1087.1.1 机器学习闭环 1087.1.2 实时特征计算 1097.1.3 痛点：线上线下计算一致性校验带来的高成本 1107.1.4 目标：开发即上线 1127.1.5 技术需求 1127.1.6 抽象架构 1137.1.7 OpenMLDB架构设计实践 1147.2 OpenMLDB项目介绍 1167.2.1 设计理念 1167.2.2 生产级机器学习特征平台 1167.2.3 核心特性 1177.2.4 常见问题 1177.3 核心模块—在线引擎 1187.3.1 概览 1187.3.2 Apache ZooKeeper 1197.3.3 Nameserver 1197.3.4 Tablet 1207.4 核心数据结构 1227.4.1 背景介绍 1227.4.2 双层跳表索引 1227.4.3 预聚合技术 1247.4.4 性能表现 1257.5 高级特性—主从集群部署 1277.5.1 定义和目标 1277.5.2 技术方案 1277.5.3 主从集群搭建实践 1307.5.4 主从集群部署常见问题 1317.6 高级特性—双存储引擎 1337.6.1 内存和磁盘双存储引擎架构 1337.6.2 功能支持对比 1347.6.3 性能对比 1357.7 执行流程介绍 1367.7.1 执行流程概览 1367.7.2 执行模式概览 1377.7.3 离线模式 1377.7.4 在线模式 1387.7.5 请求模式 1387.8 实践 1397.8.1 准备 1407.8.2 使用流程 1417.8.3 实时特征计算的结果说明 1447.9 生态整合—在线数据源Kafka 1457.9.1 简介 1457.9.2 准备工作 1467.9.3 步骤1：启动OpenMLDB并创建数据库 1467.9.4 步骤2：启动Kafka并创建Topic 1477.9.5 步骤3：启动Connector 1477.9.6 步骤4：测试 1487.10 生态整合—离线数据源Hive 1497.10.1 配置 1497.10.2 数据类型 1497.10.3 通过LIKE语法快速建表 1507.10.4 将Hive数据导入OpenMLDB 1507.10.5 将OpenMLDB数据导出到Hive 1517.11 案例：出租车行程时间预测 1517.11.1 环境准备和预备知识 1517.11.2 全流程演示 1527.12 本章小结 155第8章 Adlik推理工具链1568.1 机器学习模型落地挑战 1568.2 Adlik的优势 1578.3 Adlik的架构 1588.3.1 模型优化器 1598.3.2 模型编译器 1618.3.3 推理引擎模块 1618.4 快速入门 1648.4.1 编译模型 1648.4.2 部署模型 1668.4.3 模型推理 1668.4.4 引入自定义运行时 1678.5 Adlik端到端模型推理优化实践 1688.5.1 模型结构优化 1688.5.2 模型推理引擎 1708.6 本章小结 171第9章云服务供应商的端到端MLOps解决方案1729.1 认识SageMaker 1739.1.1 SageMaker的主要组成部分 1739.1.2 广泛的数据源和数据集成支持 1749.2 无代码实现供应链中到货时间的预测 1769.2.1 数据准备 1779.2.2 简单的数据合并 1799.2.3 构建、训练和分析机器学习模型 1809.2.4 模型预测 1839.3 应用SageMaker Notebook进行 MLOps 管理 1839.3.1 数据导入 1849.3.2 数据清洗和特征设计 1849.3.3 模型训练 1859.3.4 模型评估 1869.3.5 模型上线 1879.3.6 使用模型仓库和 Pipeline系统管理训练成果 1879.4 本章小结 194第10章 MLOps 在反欺诈与推荐系统中的应用19610.1 案例1：信用卡交易反欺诈系统 19610.1.1 定义业务目标 19610.1.2 系统设计的挑战 19810.1.3 数据准备与特征设计思路 20110.1.4 系统设计与实现 20210.2 案例2：推荐系统 20510.2.1 推荐系统介绍 20510.2.2 定义优化目标 20610.2.3 系统设计挑战与实现思路 20810.3 本章小结 210第11章网易云音乐实时模型大规模应用之道21111.1 从云音乐直播推荐中的实时性说起 21111.1.1 直播对实时性的强需求 21311.1.2 推荐引擎实时性的三要素 21311.1.3 直播精排模型的实时化演进 21611.2 实时增量模型的构建 21611.2.1 实时特征快照 21711.2.2 实时样本归因 21911.2.3 实时样本拼接 22211.2.4 增量训练和更新 22311.2.5 线上效果 22411.3 特征平台将实时能力泛化到更多场景 22511.4 FeatureBox 22611.4.1 FeatureBox解决的问题 22611.4.2 FeatureBox整体架构 22711.4.3 DataHub模块 22711.4.4 Transform模块 23111.4.5 MFDL模块 23211.4.6 Storage模块 23311.4.7 Monitor模块 23411.5 在线预估基于FeatureBox的构建 23611.5.1 特征与模型的高效迭代 23611.5.2 高性能预估计算 24211.5.3 预估与FeatureBox实时性方案 24611.6 本章小结 248第12章小米广告机器学习平台实践24912.1 小米广告一站式机器学习平台简介 24912.1.1 传统机器学习流程的问题 24912.1.2 小米广告机器学习平台模块简介 25112.2 特征工程模块 25212.2.1 特征工程简介 25212.2.2 数据源管理 25312.2.3 特征管理 25312.2.4 样本管理 25712.3 模型训练平台 25912.3.1 算法管理 26012.3.2 离线模型训练管理 26112.3.3 模型更新 262请添加图片描述12.4.3 模型部署 26812.5 本章小结 273第13章腾讯金融推荐中台实践27413.1 业务介绍 27413.1.1 业务优化目标 27413.1.2 业务特点 27513.2 现状及挑战 27613.2.1 推荐系统复杂性 27713.2.2 算法工程技术壁垒 27813.3 MLOps实践 27813.4 推荐系统产品体系 28013.4.1 特征系统 28113.4.2 模型训练系统 28113.4.3 模型服务系统 28213.4.4 推荐运营系统 28313.5 系统设计 28313.5.1 特征系统 28413.5.2 模型服务系统 29013.6 本章小结 293第14章众安金融实时特征平台实践29414.1 众安金融的MLOps建设背景 29414.2 众安金融的MLOps建设思路 29514.2.1 众安金融的MLOps流程说明 29514.2.2 众安金融特征平台能力要求 29714.3 实时特征平台的架构设计 29714.3.1 实时特征平台架构说明 29814.3.2 实时特征数据源层 29814.3.3 实时特征平台的核心功能 29914.4 实时业务特征计算 30014.4.1 实时业务特征计算系统设计 30014.4.2 实时业务特征核心数据模型 30114.4.3 实时业务特征计算引擎 30214.5 反欺诈场景中的特征计算 30314.5.1 反欺诈特征计算系统设计 30314.5.2 反欺诈特征分类说明 30414.5.3 用户关系图谱实现方案 30514.6 本章小结 306第15章 MLOps成熟度模型30815.1 能力成熟度模型概述 30815.2 谷歌的MLOps成熟度模型 30915.2.1 谷歌对MLOps的理解和认识 30915.2.2 谷歌对MLOps成熟度等级的定义 31015.3 微软的MLOps成熟度模型 31715.3.1 微软对MLOps成熟度模型的理解和认识 31715.3.2 微软对MLOps成熟度等级的定义 31815.4 信通院的MLOps成熟度模型 32215.4.1 需求管理能力子域相关内容 32315.4.2 数据工程能力子域相关内容 32515.5 本章小结 329

本书深入浅出、循序渐进地讲解了如何在实际项目中利用MLOps进行机器学习模型的部署、监控与优化，以及如何利用MLOps实现持续集成与持续交付等高效的工作流程。同时，本书通过企业级的MLOps案例和解决方案，帮助读者轻松掌握MLOps的设计思路以及学会应用MLOps解决实际问题

请添加图片描述

读者对象

本书的主要内容包括如下9个方面：

（1）MLOps的核心概念和方法，可以帮助读者全面了解MLOps的基本原理；（2）MLOps涉及的几种角色，以及这些角色之间如何协作；

（3）机器学习项目的基础知识和全流程，是学习和应用MLOps的基础；

（4）MLOps中的数据处理、主要流水线工具Airflow和MLflow、特征平台和实时特征平台OpenMLDB、推理工具链Adlik，为读者系统讲解MLOps的技术和工具；

（5）云服务供应商的端到端MLOps解决方案；（6）第四范式、网易、小米、腾讯、众安金融等企业的MLOps工程实践案例和经验；

（7）MLOps的成熟度模型，以及微软、谷歌和信通院对MLOps成熟度模型的划分；

（8）针对不同规模的企业和团队的MLOps最佳实践，帮助他们量身定做MLOps策略；

（9）MLOps的未来发展趋势，以及如何将新技术融入MLOps实践。