کتاب Mastering MLOps Architecture

کتاب Mastering MLOps Architecture: From Code to Deployment: Manage the production cycle of continual learning ML models with MLOps (تسلط بر معماری MLOps: از کد تا استقرار: مدیریت چرخه تولید مدل‌های ML یادگیری مداوم با MLOps) در 9 فصل مختلف به شرح مفاهیم MLOps خواهد پرداخت.

در ادامه مقدمه‌ای از کتاب Mastering MLOps Architecture را از زبان نویسنده شرح خواهیم داد.

مقدمه‌ای بر کتاب Mastering MLOps Architecture:

MLOps نقطه تلاقی DevOps، مهندسی داده و یادگیری ماشین است. کار در زمینه یادگیری ماشینی به شدت به داده‌های در حال تغییر وابسته است، در حالی که MLO برای ارائه نتایج عالی ML و AI مورد نیاز است.

این کتاب راهنمای عملی MLOps را برای دانشمندان داده، مهندسان داده و سایر متخصصان درگیر در ساخت و استقرار سیستم‌های یادگیری ماشین ارائه می‌کند.

MLOps را معرفی می‌کند و مفاهیم اصلی آن مانند ادغام مداوم و تحویل برای یادگیری ماشین را توضیح می‌دهد. این مؤلفه‌ها و معماری MLOps را تشریح می‌کند و درکی از نحوه پشتیبانی MLOps از سیستم‌های قوی ML که به طور مداوم بهبود می‌یابند را ارائه می‌دهد.

کتاب Mastering MLOps Architecture با پوشش دادن خط لوله یادگیری ماشین سرتاسر از داده تا استقرار، به خوانندگان کمک می‌کند تا گردش‌های کاری MLOps را پیاده‌سازی کنند. در آن تکنیک‌هایی مانند مهندسی ویژگی، توسعه مدل، تست A/B و استقرار قناری مورد بحث قرار می‌گیرد.

بیشتر بخوانید: MLOps چیست؟

کتاب Mastering MLOps Architecture خوانندگان را با دانش ابزار و زیرساخت MLOps برای کار‌هایی مانند ردیابی مدل، حاکمیت مدل، مدیریت ابرداده، و هماهنگ‌سازی خط لوله مجهز می‌کند.

فرآیند‌های نظارت و نگهداری برای تشخیص تخریب مدل به طور عمیق پوشش داده شده است. این کتاب با پوشش جامع و تمرکز عملی خود، دانشمندان داده، مهندسان داده، مهندسان DevOps و رهبران فنی را قادر می‌سازد تا به طور مؤثر از MLO‌ها استفاده کنند.

خوانندگان می‌توانند مهارت‌هایی برای ساخت خطوط لوله CI/CD کارآمد، استقرار سریع‌تر مدل‌ها، و قابل اطمینان‌تر کردن و آماده‌سازی سیستم‌های ML خود کسب کنند.

بیشتر بخوانید: کتاب MLOps Engineering at Scale

به طور کلی، کتاب Mastering MLOps Architecture یک راهنمای ضروری برای MLO‌ها و کاربرد‌های آن برای ارائه ارزش تجاری از طریق یادگیری ماشینی مداوم و هوش مصنوعی است.

فصل ۱: شروع به کار با MLOps – این فصل MLOps را معرفی می‌کند و توضیح می‌دهد که چگونه یادگیری ماشین، DevOps و مهندسی داده را برای ارائه مداوم مدل‌های ML ترکیب می‌کند. اهمیت MLOps، اصول آن مانند تکرارپذیری و ممیزی‌پذیری، بهترین شیوه‌ها و استراتژی‌های اجرا را پوشش می‌دهد.

تفاوت بین MLOps و مهندسی نرم‌افزار سنتی و چالش‌های منحصر به فرد تولید یادگیری ماشین نیز مورد بحث قرار می‌گیرد. این فصل پایه‌ای برای درک متدولوژی MLOps فراهم می‌کند.

فصل ۲: معماری و اجزای MLOps – این فصل معماری و اجزای سیستم‌های MLOps را پوشش می‌دهد. این بلوک‌های ساختمانی مانند خطوط لوله داده، آموزش مدل، استقرار، نظارت و هماهنگی را مورد بحث قرار می‌دهد.

این فصل به تشریح معماری‌های مرجع برای سطوح مختلف بلوغ، از پایه تا درجه سازمانی می‌پردازد. این معناشناسی محیط و الگو‌های استقرار مدل را توضیح می‌دهد.

در نهایت، از طریق یک گردش کار سرتاسری که همه اجزا را در محیط‌های توسعه، مرحله‌بندی و تولید یکپارچه می‌کند، حرکت می‌کند. هدف این است که پایه‌ای برای طراحی و پیاده‌سازی راه‌حل‌های MLOps مناسب برای موارد استفاده مختلف فراهم کنیم.

فصل ۳: زیرساخت و ابزار MLOps – این فصل زیرساخت‌ها و ابزار‌های مورد نیاز برای MLO‌ها را بررسی می‌کند. این مؤلفه‌های کلیدی مانند ذخیره‌سازی، محاسبات، کانتینر‌ها، پلتفرم‌های ارکستراسیون، و پلتفرم‌های ML برای استقرار، ثبت مدل‌ها و فروشگاه‌های ویژگی را پوشش می‌دهد.

در این فصل از کتاب Mastering MLOps Architecture، گزینه‌های ابر عمومی در مقابل گزینه‌های داخلی، محیط‌های توسعه استاندارد شده و تصمیم‌های ساخت در مقابل خرید بحث می‌شود. هدف آن ارائه راهنمایی در مورد راه‌اندازی یک زیرساخت قوی و مقیاس‌پذیر متناسب با موارد استفاده و منابع خاص سازمان است.

فصل ۴: سیستم‌های یادگیری ماشینی چیست؟ – این فصل توضیح می‌دهد که سیستم‌های یادگیری ماشین چیست و چگونه با تحقیقات ML تفاوت دارند. این نقشه راه پیاده‌سازی را با مراحل توسعه اولیه، انتقال به عملیات و عملیات در حال انجام پوشش می‌دهد.

در این فصل از کتاب Mastering MLOps Architecture، استفاده از ساختار‌های پروژه استاندارد شده مانند علم داده کوکی‌کاتر برای تسهیل تولید نهایی مورد بحث قرار می‌گیرد. هدف آن ارائه پایه‌ای برای اتخاذ یک رویکرد سیستمی کامل برای توسعه برنامه‌های کاربردی ML در دنیای واقعی، نه فقط الگوریتم‌ها است. هدف این است که خوانندگان را با درک درستی از تمام اجزای مورد نیاز برای ساختن سیستم‌های ML موفق تجهیز کنیم.

فصل ۵: آماده‌سازی داده‌ها و توسعه مدل – این فصل آماده‌سازی داده‌ها و توسعه مدل در چرخه حیات MLOps را پوشش می‌دهد. بهترین شیوه‌ها برای کنترل نسخه، تهیه داده‌ها، انجام تجزیه و تحلیل اکتشافی، مهندسی ویژگی، مدل‌های آموزشی، و ردیابی آزمایش‌ها با MLflow را مورد بحث قرار می‌دهد.

این فصل از کتاب Mastering MLOps Architecture نشان می‌دهد که چگونه این مراحل در یک ساختار پروژه استاندارد شده قرار می‌گیرند تا همکاری و تکرارپذیری را ممکن کند. هدف آن ارائه راهنمایی در مورد اجرای مراحل کلیدی چرخه زندگی یادگیری ماشینی به روشی است که عملیاتی شدن و اتوماسیون نهایی را تسهیل کند.

فصل ۶: استقرار و ارائه مدل – این فصل استقرار مدل و خدمت در چرخه حیات MLOps را پوشش می‌دهد. استراتژی‌هایی مانند استقرار استاتیک، پویا و جریان، مقایسه استقرار در دستگاه‌ها در مقابل سرور‌هایی که از ماشین‌های مجازی، کانتینر‌ها یا فناوری‌های بدون سرور استفاده می‌کنند را بررسی می‌کند.

این فصل از کتاب Mastering MLOps Architecture، گزینه‌های استنتاج مانند پردازش دسته‌ای در مقابل API‌های بلادرنگ را مورد بحث قرار می‌دهد. همچنین به الگو‌های استقرار مانند رهاسازی قناری و راهزنان چند مسلح برای عرضه مدل کنترل شده نگاه می‌کند.

فصل ۷: ارائه مداوم مدل‌های یادگیری ماشین – این فصل روش‌هایی را برای پیاده‌سازی یکپارچه‌سازی مداوم، آموزش مداوم و تحویل مداوم در سیستم‌های یادگیری ماشین بررسی می‌کند.

خطوط لوله ML/AI و سطوح بلوغ معماری را بررسی می‌کند. موضوعات کلیدی شامل ابزار‌های یکپارچه‌سازی مداوم مانند GitHub Actions، استراتژی‌هایی برای تعیین زمان و نحوه آموزش مجدد مدل‌ها، و ملاحظاتی برای استقرار سریع مدل‌های به روز شده در تولید از طریق تحویل مداوم است.

فصل ۸: یادگیری مستمر – این فصل از کتاب Mastering MLOps Architecture، به بررسی یادگیری مستمر در سیستم‌های یادگیری ماشین می‌پردازد، که شامل مدل‌هایی است که دائماً یاد می‌گیرند و با داده‌های جدید سازگار می‌شوند بدون اینکه دانش گذشته را فراموش کنند.

اصولی مانند آموزش حالت، چالش‌های مربوط به دستیابی به داده‌های تازه و ارزیابی به‌روزرسانی‌ها، و اجرای یادگیری مستمر در MLOps از طریق محرک‌ها و نظارت قوی را پوشش می‌دهد. هدف، فعال کردن به‌روزرسانی‌های خودکار مدل‌های مکرر با حفظ ایمنی، شفافیت و کنترل است.

فصل ۹: نظارت مستمر، ثبت و نگهداری – این فصل اصول و بهترین شیوه‌ها را برای نظارت بر مدل‌های یادگیری ماشین در سراسر محیط‌ها پوشش می‌دهد.

این بررسی می‌کند که چرا نظارت مستمر اهمیت دارد، ادغام آن در جریان‌های کاری MLOps، ثبت فراداده‌های مدل و داده‌های عملکرد، با استفاده از چارچوب‌هایی مانند Evidently و Alibi Detect، و ارزیابی مدل‌ها با تکنیک‌هایی مانند تست A/B.

سرفصل‌های کتاب Mastering MLOps Architecture:

• Cover
• Title Page
• Copyright Page
• Dedication Page
• About the Author
• About the Reviewer
• Acknowledgement
• Preface
• 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
• Index

جهت دانلود کتاب Mastering MLOps Architecture می‌توانید پس از پرداخت، دریافت کنید.