MLOps 工程實務：工具、技術與企業級應用

這是一本能引導企業利用MLOps技術建構可靠、高效、可重複使用、可擴展的機器學習模型從而實現AI工程化落地的著作。
由國內AI領域的獨角獸企業第四範式的聯合創始人和技術VP領銜撰寫，
從工具、技術、企業級應用、成熟度評估4個維度對MLOps進行了全面的講解。
本書的主要內容包括如下9個面向： 
（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作；
（ 3）機器學習專案的基礎知識和全流程，是學習和應用MLOps的基礎；
（4） MLOps中的資料處理、主要管線工具Airflow和MLflow、
特徵平台和即時特徵平台OpenMLDB、推理工具鏈Adlik，為讀者係統解說 MLOps的技術與工具；
（5）雲端服務供應商的端對端MLOps解決方案；
（6） 第四範式、網易、小米、騰訊、眾安金融等企業的MLOps工程實務案例與經驗； 
（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）針對不同規模的企業和團隊的MLOps最佳實踐，幫助他們量身定做MLOps策略； 
（9） MLOps的未來發展趨勢，以及如何將新技術融入MLOps實務中。
本書深入淺出、循序漸進地講解瞭如何在實際專案中利用MLOps進行機器學習模型的部署、
監控與優化，以及如何利用MLOps實現持續整合與持續交付等高效的工作流程。
透過企業級的MLOps案例和解決方案，幫助讀者輕鬆掌握MLOps的設計想法以及如何應用MLOps解決實際問題。

作者簡介
前言
第1章全面了解MLOps
1.1 人工智慧的趨勢與現況
1.1.1 趨勢1：人工智慧在企業中加速落地，彰顯更多業務價值
1.1.2 趨勢2：人工智慧應用從以模式為中心向以資料為中心轉變
1.1.3 現況：人工智慧落地成功率低，成本高
1.2 人工智慧的問題、挑戰以及因應措施
1.2.1 問題1：機器學習程式碼只是整個系統的一小部分
1.2.2 問題2 ：數據是最主要的問題
1.2.3 挑戰：人工智慧系統如何規模化落地
1.2.4 因應措施：MLOps
1.3 MLOps簡介
1.3.1 MLOps的定義
1.3.2 MLOps相關的工具和平台
1.3.3 MLOps的優勢
1.4 MLOps與DevOps
1.4.1 DevOps的3個優點
1.4.2 MLOps延續了DevOps的優點
1.4.3 MLOps和DevOps的不同之處
1.4.4 MLOps和DevOps的目標與實踐理念
1.5 MLOps與其他XOps
1.5.1 MLOps與AIOps的區別
1.5.2 MLOps與DataOps的區別
1.5.3 MLOps與ModelOps的區別
1.5.4 XOps的相同點：都基於DevOps原則
1.6 本章小結
第2章MLOps涉及的角色
第3章機器學習專案概論
第4章MLOps中的資料部分
第5章管線工具
第6章特徵平台
第7章即時特性平台OpenMLDB
第8章Adlik推理工具鏈
第9章雲端服務供應商的端對端MLOps解決方案
第10章MLOps在反詐欺與推薦系統中的應用
第11章網易雲音樂實時模型大規模應用之道
第12章小米廣告機器學習平台實踐
第13章騰訊金融推薦中台實踐
第14章眾安金融實時特徵平台實踐
第15章MLOps成熟度模型