AI工程化—— 如何让AI在企业多快好省的落地？

叁歲伎倆 2024-04-17 10:13 10阅读 0赞

![在这里插入图片描述][75f43b3e9f514b7897cdf6a8db4b967f.png]

> 🚀欢迎来到本文🚀  
> 🍉个人简介：[陈童学哦][Link 1]，目前学习C/C++、算法、Python、Java等方向，一个正在慢慢前行的普通人。  
> 🏀系列专栏：[陈童学的日记][Link 2]  
> 💡其他专栏：[C++STL][C_STL]，感兴趣的小伙伴可以看看。  
> 🎁希望各位→点赞👍 + 收藏⭐️ + 留言📝  
> ⛱️万物从心起，心动则万物动🏄♂️

#### 如何让AI在企业多快好省的落地？ ####

*  1.前言
 *  2.内容简介
 *  3.读者对象
 *  4.专家推荐
 *  5.目录
 *  6.直播预告

## 1.前言 ##

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][993ed8d5733c46b69e194566d2f64530.png]
> 
> 《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

**购买链接：[京东自营（点击此处）][Link 3]**

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。

## 2.内容简介 ##

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。

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。

## 3.读者对象 ##

本书旨在帮助读者掌握MLOps技术，从而构建可靠、可重复使用和可扩展的机器学习工作流程。我们更加强调实践和操作，通过示例来帮助读者更好地理解并应用这些技术和工具。

本书适用的读者对象如下。

*  数据科学家和AI研究人员：希望了解如何将自己的模型和算法更有效地部署到实际生产环境，提高工作效率和质量。
 *  机器学习工程师和DevOps工程师：想要掌握MLOps的最佳实践，以便在组织内更好地支持AI和ML项目的开发、部署与维护。
 *  产品经理和业务负责人：希望了解MLOps的概念和实践，以便更好地推动组织内AI和ML项目的落地，提高项目成功率和产出价值。
 *  教育者和学者：在教学和研究过程中需要掌握MLOps的理论和实践知识，以便为学生和咨询者提供指导。

## 4.专家推荐 ##

本书作者根据自己多年在软件研发、运维、DevOps和机器学习等领域的从业经验，对MLOps这一新生事物的原理和工具进行了全面系统的介绍，并结合多家企业的实践案例总结整理出一系列MLOps最佳实践，覆盖端到端机器学习全生命周期，涉及AI科学家和AI工程师在内的多个角色，知识新颖，内容丰富，极具参考价值。相信大部分AI从业人员会从中受益，强烈推荐！  
—— 崔宝秋　小米集团前副总裁

这是一本业界真正需要的书。它全面介绍了AI工程化落地的全过程，包括面对的挑战、要解决的问题、常用工具和平台，以及企业的实践案例。这样一本内容全面、翔实的工具书能让读者对AI技术在企业落地方面有比较深的认识。希望它能帮助更多企业AI的应用者、工程师跨越AI工程化的鸿沟。  
—— 堵俊平　LFAI & DATA基金会前董事主席

本书介绍了MLOps的完整流程、方法论、开源工具，并包含了网易云音乐、众安保险、小米商城、腾讯金融等的一手实践案例，对行业内外的工程师都有很高的学习和参考价值。  
—— 戈君　字节跳动架构师  
bRPC项目创始人/Apache VP

MLOps可以使得人工智能应用从低效能的手工制作模式，逐渐演变成自动化的、高效的流水线生产模式，将有力地促进人工智能规模化应用。盼此关于MLOps的书也能为大家学习人工智能指明方向。  
—— 孟伟　中兴通讯开源战略总监

本书不仅从原理上阐述了MLOps的基本概念、方法、核心技术，更从实践角度给出了MLOps全流程搭建工具，并提供了丰富的互联网大厂典型MLOps平台搭建案例，以飨读者。内容专业翔实，极具可操作性。强烈推荐给AI算法和平台工程师，常读常新，大有裨益。  
—— 陶阳宇　腾讯机器学习平台部总监

MLOps是现代软件工程理念下的机器学习系统构建方法论，指导企业在智能化升级中构建AI中台。本书全面介绍了MLOps的核心技术，结合丰富的业界实践向读者展示了AI原生时代下的AI中台技术全貌！  
—— 王耀　百度智能云技术委员会主席

MLOps可以降低人工智能应用开发和维护的技术门槛和成本，是人工智能走进各行各业的关键技术。本书介绍了业界多家领先企业在MLOps方面的实践经验，具有非常高的参考价值。  
—— 汪源　网易副总裁

本书作者长期工作在业务或咨询第一线，从工程师视角介绍机器学习在企业实践中的落地，系统阐述机器学习在实际工作中的困难和解决方案，是一本很好的实践指南。  
—— 于洋　众安保险首席风险官

MLOps最重要的任务是保证机器学习应用生命周期中各个环节紧密协作，让应用的智能程度不断提高，真正解决用户在现实世界中的问题。感谢谭中意等专家的长期努力，让我们在CSDN中文社区中能看到高质量的经验和智慧结晶。期待这本书能帮助我们的研究员和工程师跨越各式各样的AI应用大峡谷。  
—— 邹欣　CSDN副总裁

## 5.目录 ##

> 目  录
> 
> 作者简介
> 
> 前言
> 
> 第1章　全面了解MLOps1
> 
> 1.1　人工智能的趋势和现状 1
> 
> 1.1.1　趋势1：人工智能在企业中加速落地，彰显更多业务价值 1
> 
> 1.1.2　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 3
> 
> 1.1.3　现状：人工智能落地成功率低，
> 
> 成本高 4
> 
> 1.2　人工智能的问题、挑战以及应对措施 5
> 
> 1.2.1　问题1：机器学习代码只是整个系统的一小部分 5
> 
> 1.2.2　问题2：数据是最主要的问题 6
> 
> 1.2.3　挑战：人工智能系统
> 
> 如何规模化落地 7
> 
> 1.2.4　应对措施：MLOps 8
> 
> 1.3　MLOps简介 8
> 
> 1.3.1　MLOps的定义 8
> 
> 1.3.2　MLOps相关的工具和平台 12
> 
> 1.3.3　MLOps的优势 13
> 
> 1.4　MLOps与DevOps 14
> 
> 1.4.1　DevOps的3个优点 14
> 
> 1.4.2　MLOps延续了DevOps的优点 17
> 
> 1.4.3　MLOps和DevOps的不同之处 19
> 
> 1.4.4　MLOps和DevOps的目标与
> 
> 实践理念 20
> 
> 1.5　MLOps与其他XOps的区别 20
> 
> 1.5.1　MLOps与AIOps的区别 21
> 
> 1.5.2　MLOps与DataOps的区别 21
> 
> 1.5.3　MLOps与ModelOps的区别 22
> 
> 1.5.4　XOps的相同点：
> 
> 都基于DevOps原则 22
> 
> 1.6　本章小结 22
> 
> 第2章　MLOps涉及的角色23
> 
> 2.1　角色类型 23
> 
> 2.1.1　产品经理 24
> 
> 2.1.2　数据科学家 24
> 
> 2.1.3　数据工程师 25
> 
> 2.1.4　机器学习工程师 26
> 
> 2.1.5　DevOps工程师 27
> 
> 2.1.6　IT运维工程师 27
> 
> 2.2　角色划分以及角色之间
> 
> 存在的问题 28
> 
> 2.2.1　角色划分 28
> 
> 2.2.2　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 28
> 
> 2.2.3　问题2：关注点不同导致对系统的
> 
> 需求不同 29
> 
> 2.2.4　协作问题及解决办法 30
> 
> 2.3　本章小结 30
> 
> 第3章　机器学习项目概论31
> 
> 3.1　机器学习项目简介 31
> 
> 3.1.1　机器学习的定义 31
> 
> 3.1.2　机器学习相关概念 33
> 
> 3.1.3　机器学习能解决的问题 37
> 
> 3.1.4　机器学习项目度量 38
> 
> 3.1.5　机器学习项目难以落地的
> 
> 原因 41
> 
> 3.2　深入理解机器学习项目全流程 44
> 
> 3.2.1　方案调研 45
> 
> 3.2.2　方案投产 49
> 
> 3.3　本章小结 51
> 
> 第4章　MLOps中的数据部分52
> 
> 4.1　从以模型为中心到以数据为中心 52
> 
> 4.1.1　以模型为中心的时代 52
> 
> 4.1.2　以数据为中心的时代 53
> 
> 4.2　MLOps中的数据生命周期管理 55
> 
> 4.3　数据存储架构演进 56
> 
> 4.4　MLOps中主要的数据问题及
> 
> 解决方案 57
> 
> 4.4.1　常见的数据质量问题及
> 
> 解决方案 57
> 
> 4.4.2　时序数据穿越问题及解决方案 59
> 
> 4.4.3　离线和实时数据一致性问题及
> 
> 解决方案 64
> 
> 4.4.4　数据安全问题及解决方案 66
> 
> 4.4.5　数据共享与复用问题及
> 
> 解决方案 67
> 
> 4.5　本章小结 67
> 
> 第5章　流水线工具69
> 
> 5.1　Airflow 69
> 
> 5.1.1　Airflow的功能和应用场景 69
> 
> 5.1.2　Airflow的核心概念 72
> 
> 5.1.3　Airflow的使用方法 72
> 
> 5.2　MLflow 80
> 
> 5.2.1　MLflow的功能和应用场景 80
> 
> 5.2.2　MLflow的核心概念 81
> 
> 5.2.3　MLflow的使用方法 82
> 
> 5.3　其他流水线工具 91
> 
> 5.4　本章小结 93
> 
> 第6章　特征平台94
> 
> 6.1　特征平台的概念和起源 94
> 
> 6.2　特征平台的特性 96
> 
> 6.3　特征平台的现状 97
> 
> 6.4　主流的特征平台 98
> 
> 6.4.1　Tecton的特征平台 99
> 
> 6.4.2　AWS的SageMaker特征平台 100
> 
> 6.4.3　Databricks的特征平台 102
> 
> 6.4.4　Feast项目 103
> 
> 6.4.5　OpenMLDB项目 105
> 
> 6.5　特征平台的发展趋势 106
> 
> 6.6　本章小结 107
> 
> 第7章　 实时特征平台
> 
> OpenMLDB108
> 
> 7.1　实时特征平台构建方法论 108
> 
> 7.1.1　机器学习闭环 108
> 
> 7.1.2　实时特征计算 109
> 
> 7.1.3　痛点：线上线下计算一致性
> 
> 校验带来的高成本 110
> 
> 7.1.4　目标：开发即上线 112
> 
> 7.1.5　技术需求 112
> 
> 7.1.6　抽象架构 113
> 
> 7.1.7　OpenMLDB架构设计实践 114
> 
> 7.2　OpenMLDB项目介绍 116
> 
> 7.2.1　设计理念 116
> 
> 7.2.2　生产级机器学习特征平台 116
> 
> 7.2.3　核心特性 117
> 
> 7.2.4　常见问题 117
> 
> 7.3　核心模块—在线引擎 118
> 
> 7.3.1　概览 118
> 
> 7.3.2　Apache ZooKeeper 119
> 
> 7.3.3　Nameserver 119
> 
> 7.3.4　Tablet 120
> 
> 7.4　核心数据结构 122
> 
> 7.4.1　背景介绍 122
> 
> 7.4.2　双层跳表索引 122
> 
> 7.4.3　预聚合技术 124
> 
> 7.4.4　性能表现 125
> 
> 7.5　高级特性—主从集群部署 127
> 
> 7.5.1　定义和目标 127
> 
> 7.5.2　技术方案 127
> 
> 7.5.3　主从集群搭建实践 130
> 
> 7.5.4　主从集群部署常见问题 131
> 
> 7.6　高级特性—双存储引擎 133
> 
> 7.6.1　内存和磁盘双存储
> 
> 引擎架构 133
> 
> 7.6.2　功能支持对比 134
> 
> 7.6.3　性能对比 135
> 
> 7.7　执行流程介绍 136
> 
> 7.7.1　执行流程概览 136
> 
> 7.7.2　执行模式概览 137
> 
> 7.7.3　离线模式 137
> 
> 7.7.4　在线模式 138
> 
> 7.7.5　请求模式 138
> 
> 7.8　实践 139
> 
> 7.8.1　准备 140
> 
> 7.8.2　使用流程 141
> 
> 7.8.3　实时特征计算的结果说明 144
> 
> 7.9　生态整合—在线数据源Kafka 145
> 
> 7.9.1　简介 145
> 
> 7.9.2　准备工作 146
> 
> 7.9.3　步骤1：启动OpenMLDB
> 
> 并创建数据库 146
> 
> 7.9.4　步骤2：启动Kafka
> 
> 并创建Topic 147
> 
> 7.9.5　步骤3：启动Connector 147
> 
> 7.9.6　步骤4：测试 148
> 
> 7.10　生态整合—离线数据源Hive 149
> 
> 7.10.1　配置 149
> 
> 7.10.2　数据类型 149
> 
> 7.10.3　通过LIKE语法快速建表 150
> 
> 7.10.4　将Hive数据导入
> 
> OpenMLDB 150
> 
> 7.10.5　将OpenMLDB数据
> 
> 导出到Hive 151
> 
> 7.11　案例：出租车行程时间预测 151
> 
> 7.11.1　环境准备和预备知识 151
> 
> 7.11.2　全流程演示 152
> 
> 7.12　本章小结 155
> 
> 第8章　Adlik推理工具链156
> 
> 8.1　机器学习模型落地挑战 156
> 
> 8.2　Adlik的优势 157
> 
> 8.3　Adlik的架构 158
> 
> 8.3.1　模型优化器 159
> 
> 8.3.2　模型编译器 161
> 
> 8.3.3　推理引擎模块 161
> 
> 8.4　快速入门 164
> 
> 8.4.1　编译模型 164
> 
> 8.4.2　部署模型 166
> 
> 8.4.3　模型推理 166
> 
> 8.4.4　引入自定义运行时 167
> 
> 8.5　Adlik端到端模型推理优化实践 168
> 
> 8.5.1　模型结构优化 168
> 
> 8.5.2　模型推理引擎 170
> 
> 8.6　本章小结 171
> 
> 第9章　云服务供应商的端到端MLOps解决方案172
> 
> 9.1　认识SageMaker 173
> 
> 9.1.1　SageMaker的主要组成
> 
> 部分 173
> 
> 9.1.2　广泛的数据源和数据集成
> 
> 支持 174
> 
> 9.2　无代码实现供应链中到货时间的
> 
> 预测 176
> 
> 9.2.1　数据准备 177
> 
> 9.2.2　简单的数据合并 179
> 
> 9.2.3　构建、训练和分析机器学习
> 
> 模型 180
> 
> 9.2.4　模型预测 183
> 
> 9.3　应用SageMaker Notebook进行 MLOps 管理 183
> 
> 9.3.1　数据导入 184
> 
> 9.3.2　数据清洗和特征设计 184
> 
> 9.3.3　模型训练 185
> 
> 9.3.4　模型评估 186
> 
> 9.3.5　模型上线 187
> 
> 9.3.6　使用模型仓库和 Pipeline系统
> 
> 管理训练成果 187
> 
> 9.4　本章小结 194
> 
> 第10章　MLOps 在反欺诈与推荐
> 
> 系统中的应用196
> 
> 10.1　案例1：信用卡交易反欺诈系统 196
> 
> 10.1.1　定义业务目标 196
> 
> 10.1.2　系统设计的挑战 198
> 
> 10.1.3　数据准备与特征设计思路 201
> 
> 10.1.4　系统设计与实现 202
> 
> 10.2　案例2：推荐系统 205
> 
> 10.2.1　推荐系统介绍 205
> 
> 10.2.2　定义优化目标 206
> 
> 10.2.3　系统设计挑战与实现思路 208
> 
> 10.3　本章小结 210
> 
> 第11章　网易云音乐实时模型大规模应用之道211
> 
> 11.1　从云音乐直播推荐中的实时性
> 
> 说起 211
> 
> 11.1.1　直播对实时性的强需求 213
> 
> 11.1.2　推荐引擎实时性的三要素 213
> 
> 11.1.3　直播精排模型的实时化演进 216
> 
> 11.2　实时增量模型的构建 216
> 
> 11.2.1　实时特征快照 217
> 
> 11.2.2　实时样本归因 219
> 
> 11.2.3　实时样本拼接 222
> 
> 11.2.4　增量训练和更新 223
> 
> 11.2.5　线上效果 224
> 
> 11.3　特征平台将实时能力泛化到
> 
> 更多场景 225
> 
> 11.4　FeatureBox 226
> 
> 11.4.1　FeatureBox解决的问题 226
> 
> 11.4.2　FeatureBox整体架构 227
> 
> 11.4.3　DataHub模块 227
> 
> 11.4.4　Transform模块 231
> 
> 11.4.5　MFDL模块 232
> 
> 11.4.6　Storage模块 233
> 
> 11.4.7　Monitor模块 234
> 
> 11.5　在线预估基于FeatureBox的
> 
> 构建 236
> 
> 11.5.1　特征与模型的高效迭代 236
> 
> 11.5.2　高性能预估计算 242
> 
> 11.5.3　预估与FeatureBox实时性
> 
> 方案 246
> 
> 11.6　本章小结 248
> 
> 第12章　小米广告机器学习平台
> 
> 实践249
> 
> 12.1　小米广告一站式机器学习平台
> 
> 简介 249
> 
> 12.1.1　传统机器学习流程的问题 249
> 
> 12.1.2　小米广告机器学习平台模块
> 
> 简介 251
> 
> 12.2　特征工程模块 252
> 
> 12.2.1　特征工程简介 252
> 
> 12.2.2　数据源管理 253
> 
> 12.2.3　特征管理 253
> 
> 12.2.4　样本管理 257
> 
> 12.3　模型训练平台 259
> 
> 12.3.1　算法管理 260
> 
> 12.3.2　离线模型训练管理 261
> 
> 12.3.3　模型更新 262
> 
> 12.4　线上推理模块 264
> 
> 12.4.1　线上推理服务介绍 264
> 
> 12.4.2　高性能和高可用保证 266
> 
> 12.4.3　模型部署 268
> 
> 12.5　本章小结 273
> 
> 第13章　腾讯金融推荐中台实践274
> 
> 13.1　业务介绍 274
> 
> 13.1.1　业务优化目标 274
> 
> 13.1.2　业务特点 275
> 
> 13.2　现状及挑战 276
> 
> 13.2.1　推荐系统复杂性 277
> 
> 13.2.2　算法工程技术壁垒 278
> 
> 13.3　MLOps实践 278
> 
> 13.4　推荐系统产品体系 280
> 
> 13.4.1　特征系统 281
> 
> 13.4.2　模型训练系统 281
> 
> 13.4.3　模型服务系统 282
> 
> 13.4.4　推荐运营系统 283
> 
> 13.5　系统设计 283
> 
> 13.5.1　特征系统 284
> 
> 13.5.2　模型服务系统 290
> 
> 13.6　本章小结 293
> 
> 第14章　众安金融实时特征平台
> 
> 实践294
> 
> 14.1　众安金融的MLOps建设背景 294
> 
> 14.2　众安金融的MLOps建设思路 295
> 
> 14.2.1　众安金融的MLOps流程说明 295
> 
> 14.2.2　众安金融特征平台
> 
> 能力要求 297
> 
> 14.3　实时特征平台的架构设计 297
> 
> 14.3.1　实时特征平台架构说明 298
> 
> 14.3.2　实时特征数据源层 298
> 
> 14.3.3　实时特征平台的核心功能 299
> 
> 14.4　实时业务特征计算 300
> 
> 14.4.1　实时业务特征计算系统
> 
> 设计 300
> 
> 14.4.2　实时业务特征核心数据
> 
> 模型 301
> 
> 14.4.3　实时业务特征计算引擎 302
> 
> 14.5　反欺诈场景中的特征计算 303
> 
> 14.5.1　反欺诈特征计算系统设计 303
> 
> 14.5.2　反欺诈特征分类说明 304
> 
> 14.5.3　用户关系图谱实现方案 305
> 
> 14.6　本章小结 306
> 
> 第15章　MLOps成熟度模型308
> 
> 15.1　能力成熟度模型概述 308
> 
> 15.2　谷歌的MLOps成熟度模型 309
> 
> 15.2.1　谷歌对MLOps的理解和
> 
> 认识 309
> 
> 15.2.2　谷歌对MLOps成熟度等级的
> 
> 定义 310
> 
> 15.3　微软的MLOps成熟度模型 317
> 
> 15.3.1　微软对MLOps成熟度模型的
> 
> 理解和认识 317
> 
> 15.3.2　微软对MLOps成熟度等级的
> 
> 定义 318
> 
> 15.4　信通院的MLOps成熟度模型 322
> 
> 15.4.1　需求管理能力子域
> 
> 相关内容 323
> 
> 15.4.2　数据工程能力子域
> 
> 相关内容 325
> 
> 15.5　本章小结 329

## 6.直播预告 ##

AI工程化—— 如何让AI在企业多快好省的落地？  
  AI 2.0时代，要不要学习MLOPS？MLOps推理的挑战以及大模型时代的推理优化思路如何？以及基于MLOps构建网易云音乐实时模型大规模应用实践分享~

10月14日19：00，第四范式平台架构师李瀚、中兴通讯AI高级工程师袁丽雅、网易云音乐算法工程高级总监吴官林、星策社区发起人及LF AI & Data TAC成员兼 Outreach主席谭中意 四位嘉宾将与您分享~

点击预约观看！

![在这里插入图片描述][f5f84695eb88411cb5f1f8792783ed62.png]

> 如果本文对大家有所帮助的话，还望各位能给我点赞、收藏并评论一下，感谢各位💕！！！ 另如果大家有什么疑问或者建议的话，欢迎评论区留言。

[75f43b3e9f514b7897cdf6a8db4b967f.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/15/f331b32763ee4e4b8ce334feba6c4d64.png
[Link 1]: https://blog.csdn.net/H1727548?type=blog
[Link 2]: https://blog.csdn.net/h1727548/category_12342877.html?spm=1001.2014.3001.5482
[C_STL]: https://blog.csdn.net/h1727548/category_12319887.html?spm=1001.2014.3001.5482
[993ed8d5733c46b69e194566d2f64530.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/15/43bed51fd0ae4bc59b3d67645e4e63f7.png
[Link 3]: https://cfe.m.jd.com/privatedomain/risk_handler/03101900/?returnurl=https://item.jd.com/14141114.html&rqhost=https://api.m.jd.com&rpid=rp-188546240-10164-1697336879083&evtype=3&evapi=color_pc_detailpage_wareBusiness&source=1&forceCurrentView=1&lgid=2193
[f5f84695eb88411cb5f1f8792783ed62.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/15/b6e681a53461430fb128e6ca8e66e21a.png