本章概述与部署和生命周期管理相关的 MLOps 原则与关键框架组件。

现代 MLOps 框架

ML 工作流

MLOps 的收益

生命周期阶段

应用 vs. 模型

退役（Decommissioning）

模型生命周期：回顾

MLOps 组件

自动化序列

存储与注册表

DevOps 还是 MLOps？

MLOps 概览

本章聚焦于在开发阶段就需要考虑的各类要点，以确保进入运维阶段时过程顺畅。

我们的终极目标是讲解如何按照 MLOps 最佳实践训练模型，并构建支持顺利部署、可复现以及部署后可监控的模型包。

以部署为导向的开发

为您的机器学习模型编写测试

开始部署的最佳时机

Profiling、版本控制与特征存储

特征库的属性

数据画像与特征存储的收益

确保可重复性

CI/CD 中的模型构建流水线

不同的流水线

模型构建流水线的属性

CI/CD 集成

模型打包

模型格式

完整包

面向部署的开发

本章将讨论模型运维中的关键问题，例如：
- 我们可以通过哪些不同方式来提供模型服务？
- 什么是 API？它的核心功能有哪些？
- 在对外提供服务之前，如何对服务进行充分测试？
- 如何在不影响服务的情况下更新生产环境中的模型？

您将学习批量预测、实时预测、输入与输出数据验证、单元测试、集成测试、金丝雀部署等内容。

服务模式

离线还是在线？

当时间有点重要时

构建 API

客户端-服务器

API 功能

部署推进与测试

这是哪种测试？

数据科学流程

跨环境的推进顺序

选项

开发环境

测试环境

预发布环境（Staging）

分环境测试

模型部署策略

选择合适的部署策略

部署策略

风险顺序

影子的影子

部署与运行

最后一章将聚焦于模型服务部署后的监控与维护，以及模型治理。

您将学习到验证延迟、协变量偏移、概念漂移、人参与环系统等关键概念。

监控 ML 服务

Shift 与 drift

延迟

这么快？

监控与告警

监控系统

告警

模型维护

数据为中心 vs 模型为中心

Human-in-the-Loop

模型治理

治理要素

治理的阶段

风险分类

总结

监控与维护

探索现代 MLOps 框架，包括机器学习模型的生命周期与部署。在本课程中，您将学习如何编写最小化技术债务的 ML 代码，了解用于部署和监控模型的工具，并熟悉将要遇到的各类环境与分析方式。

当您已经完成数据的收集、准备与标注，在不同模型上进行了大量实验，并用最优模型验证了可行性后，接下来就进入下一步：构建、部署、监控、维护。这就是模型走向生产后的生命周期，也是 MLOps 中的 Ops 部分。

本课程将带您顺利推进模型"价值交付"的下一个阶段，并为未来更多的实践树立标杆。

<h2>MLOps 部署与生命周期管理</h2>

探索现代 MLOps 框架，包括机器学习模型的生命周期和部署。 在本课程中，你将学习如何编写可最大限度减少技术债务的机器学习代码，了解部署和监控模型所需的工具，并探讨你将遇到的不同类型的环境和分析。

<h2>了解 MLOps 生命周期</h2>
在你收集、准备并标注好数据，针对不同模型进行了大量实验，并用冠军模型验证了你的概念之后，就该进入下一步了。 构建。 部署。 监控。 保持。 这就是你的模型一旦准备投入生产后的生命周期。 这就是 MLOps 中的 Ops 部分。

这门课程将向你展示如何驾驭模型价值交付之旅的第二章，为后续更多章节树立标杆。 你将首先探索 MLOps 生命周期，了解 MLOps 的重要性，以及模型开发、部署、监控和维护的关键功能组件。
<h2>开发用于部署的机器学习代码</h2>
接下来，你将学习如何开发用于部署的模型，以及如何编写高效的机器学习代码、利用工具并训练机器学习流水线。 随着学习的深入，你将了解如何部署模型，探索不同的部署环境以及何时使用它们。 你还将制定替换现有生产模型的策略，并研究 API。
<h2>学习如何监控您的模型</h2>
在完成这门课程的过程中，你将了解用于监控和维护 ML 模型的关键性能指标。 你将学习生产环境中的漂移监控，以及模型反馈、更新和治理。

完成后，您将了解如何使用 MLOps 生命周期将自己的模型部署到生产环境中。


MLOps Concepts

本课程将探讨现代MLOps框架，涵盖机器学习模型的生命周期和部署。

MLOps 部署与生命周期管理

在本课程中，您将探索现代 MLOps 框架，了解机器学习模型的生命周期和部署。 

机器学习工程师

MLOps 基础知识

选择合适的部署策略

MLOps 部署与生命周期管理

动手互动练习