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。由国内AI领域的独角兽企业第四范式的联合创始人和技术VP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实践中。
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。通过企业级的MLOps案例和解决方案，帮助读者轻松掌握MLOps的设计思路以及如何应用MLOps解决实际问题。

谭中意，星策社区发起人，LF AI& DATA TAC成员兼Outreach主席，开放原子基金会TOC（技术监督委员会）主席，Apache基金会正式成员。资深开源专家，在Sun、百度、腾讯等有丰富的平台化和开源开发、治理及运营经验，是多个开源基金会项目Mozilla、GNOME、Apache、InnerSourceCommons、Openchain的贡献者。

作者简介
前言
第1章 全面了解MLOps
1.1 人工智能的趋势和现状
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
1.1.2 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
1.1.3 现状：人工智能落地成功率低，成本高
1.2 人工智能的问题、挑战以及应对措施
1.2.1 问题1：机器学习代码只是整个系统的一小部分
1.2.2 问题2：数据是最主要的问题
1.2.3 挑战：人工智能系统如何规模化落地
1.2.4 应对措施：MLOps
1.3 MLOps简介
1.3.1 MLOps的定义
1.3.2 MLOps相关的工具和平台
1.3.3 MLOps的优势
1.4 MLOps与DevOps
1.4.1 DevOps的3个优点
1.4.2 MLOps延续了DevOps的优点
1.4.3 MLOps和DevOps的不同之处
1.4.4 MLOps和DevOps的目标与实践理念
1.5 MLOps与其他XOps的区别
1.5.1 MLOps与AIOps的区别
1.5.2 MLOps与DataOps的区别
1.5.3 MLOps与ModelOps的区别
1.5.4 XOps的相同点：都基于DevOps原则
1.6 本章小结
第2章 MLOps涉及的角色
第3章 机器学习项目概论
第4章 MLOps中的数据部分
第5章 流水线工具
第6章 特征平台
第7章 实时特征平台OpenMLDB
第8章 Adlik推理工具链
第9章 云服务供应商的端到端MLOps解决方案
第10章 MLOps在反欺诈与推荐系统中的应用
第11章 网易云音乐实时模型大规模应用之道
第12章 小米广告机器学习平台实践
第13章 腾讯金融推荐中台实践
第14章 众安金融实时特征平台实践
第15章 MLOps成熟度模型