MLOps专栏介绍_mlops面试

从2016年起，以深度学习为代表的机器学习大火，直到现在，算法工程师、数据科学家、机器学习工程师、数据工程师越来越成为市场上的香饽饽。或许你是他们中的一员，或许你想加入他们。你需要保持一种对AI领域新方向的敏锐感知，才不会一次次错过时代的发展时机。

你知道AI从业者都在关注什么吗？

他们早已脱离了一味追求实验室理想环境下的超高准确率、召回率、F1-score，而是寻求商业环境下的高质量、低风险的规模化部署，敏捷、标准化的交付流程，实现机器学习全生命周期的闭环。这样一套管理过程脱胎于软件工程项目管理DevOps，但难度远高于DevOps，它的名字就是MLOps。

为什么说MLOps的实现难度远高于DevOps呢？

1.DevOps的管理围绕代码展开，而MLOps需要对代码、数据、算法、模型等多种过程物和制品进行管理；
2.DevOps的代码优化迭代的变化过程相对平缓，而MLOps机器学习中的训练数据、推理数据是动态变化的，存在着潜在的数据漂移的问题，模型上线后会面临着降级退化的风险。
3.DevOps的团队成员是业务需求方、软件开发工程师、软件测试工程师，而MLOps涉及到的团队成员有业务需求方、数据工程师、数据科学家、机器学习工程师、模型评审团队，可能也会有IT相关的软件开发工程师、测试工程师、运维工程师，不同团队之间的流程和工具各异，跨团队沟通协调存在巨多的障碍。

MLOps适合谁来学习呢？

无论你是机器学习相关的在校学生、从业者，还是企业中下游业务部门的同事，只要你所在的单位使用机器学习赋能业务，机器学习不是run一下而已，而是期待产生业务的增长点和新价值，你都应该了解这一套机器学习全生命周期的管理体系和文化理念。在工作中，笔者发现，从2021年底到2022年上半年，越来越多的AI团队的项目经理甚至组织的管理者开始关注MLOps，希望通过MLOps提高机器学习项目的研发效能，用尽可能少的人力、财力、管理成本来实现生产环境下模型的规范化、标准化、一体化的平稳流畅运行。

在未来三到五年，笔者预计，对MLOps方法论的理解掌握会成为机器学习入行者或转行面试的加分项。同时MLOps必将孕育着新的工作机会，未来可期！

ML、DevOps都是专业领域，而结合两者的MLOps更是高强度的专业，工程师需要具备数据分析、模型开发、测试、整合、部署、运维等知识。那么这个专栏的开设的目的，就是我对于MLOps的总结和思考会持续分享。这个专栏的第一阶段会围绕MLOps国内外大咖观点进行整理总结。
另推荐几本MLOps经典书籍，清单如下：
总结整理不易，记得一键三连（关注哦，欢迎一起交流探讨！）

1、Introducing MLOps

通过本书，读者能理解MLOps的关键概念，有助于操作ML模型，并随着时间的推移优化模型。

2、Machine Learning Engineering

此书是目前最完整的应用人工智慧书籍之一，内有大规模建构可靠机器学习解决方案的最佳实践和设计模式。

3、MLOps: Operationalizing Data Science

许多分析与ML模型并未进入生产阶段，而此书解说导入ML的四步骤：建构、管理、部署／整合、监控，帮助读者导入ML模型。

4、Building Machine Learning Powered Applications

此书分为四大部分，分别为如何规划ML应用，如何建立ML模型，如何改进模型，以及部署与监控策略，协助读者打造ML驱动的应用程序。

5、Building Machine Learning Pipelines

通过本书，读者能学习如何使用TensorFlow生态系，实现机器学习管道自动化。

6、Practical MLOps

这本书带读者了解什么是MLOps，以及它与DevOps的差别，并解释如何操作ML模型，是MLOps工具与方法的入门书。

7、Beginning MLOps with MLFlow: Deploy Models in AWS SageMaker，Google Cloud，and Microsoft Azure

本书涵盖MLFlow以及将MLOps整合到现有代码中的方法，以追踪指标、参数、图形和模型。

8、What Is MLOps？

本书介绍数据科学–ML–AI项目的生命周期，涵盖ML模型的建构，AI项目生命周期的监测等。

9、Engineering MLOps

本书提供真实的案例，分享深入的MLOps知识，以帮助读者写程序，训练强健和可扩展的ML模型，并建构ML管道，用以训练并部署模型。