معماری MLOps: از کد تا استقرار، راهنمای جامع ۲۰۲۳
Mastering MLOps Architecture: From Code to Deployment 2023

قدرت MLOps را برای مدیریت چرخه‌ی پروژه‌های یادگیری ماشینِ بلادرنگ مهار کنید.

ویژگی‌های کلیدی

* پوشش جامع مفاهیم، معماری، ابزارها و تکنیک‌های MLOps.
* تمرکز عملی بر ساخت سیستم‌های یادگیری ماشینِ سرتاسری برای یادگیری مداوم با MLOps.
* بینش‌های عملی در مورد CI/CD، پایش، آموزش مداوم مدل و بازآموزی خودکار.

توضیحات

MLOps، ترکیبی از DevOps، مهندسی داده و یادگیری ماشین است و به دلیل ماهیت پویای داده‌های یادگیری ماشین، برای ارائه‌ی نتایج با کیفیت بالا در این زمینه بسیار مهم است. این کتاب به بررسی عمیق MLOps می‌پردازد و مفاهیم اصلی، اجزا و معماری آن را پوشش می‌دهد و نشان می‌دهد که چگونه MLOps سیستم‌های یادگیری ماشینِ قوی و با بهبود مستمر را تقویت می‌کند.

این کتاب با پوشش خط لوله‌ی سرتاسری یادگیری ماشین، از داده تا استقرار، به خوانندگان کمک می‌کند تا گردش‌کارهای MLOps را پیاده‌سازی کنند. در این کتاب، تکنیک‌هایی مانند مهندسی ویژگی، توسعه مدل، تست A/B و استقرارهای قناری مورد بحث قرار می‌گیرند. این کتاب خوانندگان را با دانش ابزارها و زیرساخت‌های MLOps برای کارهایی مانند ردیابی مدل، حاکمیت مدل، مدیریت فراداده و تنظیم خط لوله مجهز می‌کند. فرآیندهای پایش و نگهداری برای تشخیص تخریب مدل به طور کامل پوشش داده شده‌اند. خوانندگان می‌توانند مهارت‌هایی را برای ساخت خطوط لوله‌ی CI/CD کارآمد، استقرار سریع‌تر مدل‌ها و قابل اعتمادتر، قوی‌تر و آماده برای تولید کردن سیستم‌های یادگیری ماشین خود کسب کنند.

به طور کلی، این کتاب یک راهنمای ضروری برای MLOps و کاربردهای آن برای ارائه‌ی ارزش تجاری از طریق یادگیری ماشین و هوش مصنوعی مداوم است.

آنچه خواهید آموخت

* معماری زیرساخت MLOps قوی با اجزایی مانند ذخیره‌گاه‌های ویژگی.
* استفاده از ابزارهای MLOps مانند رجیستری‌های مدل، ذخیره‌گاه‌های فراداده، خطوط لوله.
* ساخت گردش‌کارهای CI/CD برای استقرار سریع‌تر و مداوم مدل‌ها.
* پایش و نگهداری مدل‌ها در محیط عملیاتی برای تشخیص تخریب.
* ایجاد گردش‌کارهای خودکار برای بازآموزی و به‌روزرسانی مدل‌ها در محیط عملیاتی.

این کتاب برای چه کسانی است

متخصصان یادگیری ماشین، دانشمندان داده، متخصصان DevOps، تیم‌های توسعه نرم‌افزار، و همه‌ی کسانی که می‌خواهند رویکرد DevOps را در آزمایش‌ها و برنامه‌های یادگیری ماشین چابک خود اتخاذ کنند. دانش قبلی در مورد یادگیری ماشین و برنامه‌نویسی پایتون مورد نیاز است.

فهرست مطالب

1. شروع به کار با MLOps
2. معماری و اجزای MLOps
3. زیرساخت و ابزارهای MLOps
4. سیستم‌های یادگیری ماشین چیست؟
5. آماده‌سازی داده و توسعه‌ی مدل
6. استقرار و ارائه مدل
7. تحویل مداوم مدل‌های یادگیری ماشین
8. یادگیری مداوم
9. پایش، ثبت و نگهداری مداوم

Harness the power of MLOps for managing real time machine learning project cycle

KEY FEATURES  

● Comprehensive coverage of MLOps concepts, architecture, tools and techniques.

● Practical focus on building end-to-end ML Systems for Continual Learning with MLOps.

● Actionable insights on CI/CD, monitoring, continual model training and automated retraining.

DESCRIPTION 

MLOps, a combination of DevOps, data engineering, and machine learning, is crucial for delivering high-quality machine learning results due to the dynamic nature of machine learning data. This book delves into MLOps, covering its core concepts, components, and architecture, demonstrating how MLOps fosters robust and continuously improving machine learning systems.

By covering the end-to-end machine learning pipeline from data to deployment, the book helps readers implement MLOps workflows. It discusses techniques like feature engineering, model development, A/B testing, and canary deployments. The book equips readers with knowledge of MLOps tools and infrastructure for tasks like model tracking, model governance, metadata management, and pipeline orchestration. Monitoring and maintenance processes to detect model degradation are covered in depth. Readers can gain skills to build efficient CI/CD pipelines, deploy models faster, and make their ML systems more reliable, robust and production-ready.

Overall, the book is an indispensable guide to MLOps and its applications for delivering business value through continuous machine learning and AI.

WHAT YOU WILL LEARN

● Architect robust MLOps infrastructure with components like feature stores.

● Leverage MLOps tools like model registries, metadata stores, pipelines.

● Build CI/CD workflows to deploy models faster and continually.

● Monitor and maintain models in production to detect degradation.

● Create automated workflows for retraining and updating models in production.

WHO THIS BOOK IS FOR

Machine learning specialists, data scientists, DevOps professionals, software development teams, and all those who want to adopt the DevOps approach in their agile machine learning experiments and applications. Prior knowledge of machine learning and Python programming is desired.

TABLE OF CONTENTS

1. Getting Started with MLOps

2. MLOps Architecture and Components

3. MLOps Infrastructure and Tools

4. What are Machine Learning Systems?

5. Data Preparation and Model Development

6. Model Deployment and Serving

7. Continuous Delivery of Machine Learning Models

8. Continual Learning

9. Continuous Monitoring, Logging, and Maintenance