کتاب Hands-On MLOps on Azure

Hands-On MLOps on Azure: راهنمای عملی برای ساخت، استقرار و مدیریت سیستم‌های ML و LLM

آشنایی با کتاب

کتاب Hands-On MLOps on Azure، نوشته‌ی یک مهندس نرم‌افزار ارشد با تخصص در MLOps و LLMOps، راهنمایی جامع و کاربردی برای متخصصان یادگیری ماشین، مهندسان DevOps و حرفه‌ای‌های ابری است که می‌خواهند سیستم‌های یادگیری ماشین (ML) و مدل‌های زبان بزرگ (LLMs) را در مقیاس بزرگ طراحی، مستقر و مدیریت کنند. این کتاب با تمرکز بر اتوماسیون، نظارت و مقیاس‌پذیری، شما را در ایجاد خطوط لوله ML با Azure ML CLI و GitHub Actions، مدیریت مدل‌های تولیدمحور و اعمال اصول LLMOps برای استقرار مسئولانه هوش مصنوعی هدایت می‌کند. خرید نسخه چاپی یا کیندل شامل یک نسخه رایگان eBook در فرمت PDF است.

چرا این کتاب را بخوانید؟

استقرار و مدیریت مدل‌های یادگیری ماشین در محیط‌های تولیدی چالش‌برانگیز است، اما این کتاب با ارائه استراتژی‌های عملی و مثال‌های واقعی، این فرآیند را ساده می‌کند. از ساخت خطوط لوله قابل‌تکرار تا اتوماسیون چرخه حیات ML و نظارت بر مدل‌ها، این کتاب ابزارها و تکنیک‌های لازم برای ایجاد سیستم‌های ML و LLM مقیاس‌پذیر و امن را فراهم می‌کند. بخش ویژه LLMOps به شما کمک می‌کند تا مدل‌های پیشرفته مانند GPT-4 را با استفاده از الگوهای RAG و روش‌های ارزیابی مسئولانه مستقر کنید. این کتاب برای محیط‌های چندابری (Azure، AWS و GCP) مناسب است و دانشی کاربردی برای حرفه‌ای‌های مدرن ارائه می‌دهد.

ویژگی‌های کلیدی کتاب

بخش اول: مبانی MLOps

• درک انتقال از DevOps به MLOps: اصول و تفاوت‌های کلیدی.

• آموزش و آزمایش: فرآیندهای آموزش مدل و آزمایش‌های ML.

• ML قابل‌تکرار و قابل‌استفاده مجدد: ساخت خطوط لوله پایدار.

بخش دوم: مدیریت و استقرار مدل

• مدیریت مدل (ثبت و بسته‌بندی): سازمان‌دهی مدل‌های ML.

• استقرار مدل: امتیازدهی دسته‌ای و سرویس‌های وب بلادرنگ: روش‌های استقرار.

• ثبت و ایمن‌سازی داده‌های حاکمیتی برای MLOps: مدیریت خط مشی و داده‌های ردیابی.

بخش سوم: نظارت و اتوماسیون

• نظارت بر مدل ML: تشخیص انحراف داده و مدل.

• اعلان و هشدار در MLOps: تنظیم هشدارهای خودکار.

• اتوماسیون چرخه حیات ML با خطوط لوله و GitHub Workflows: خودکارسازی کامل فرآیندها.

بخش چهارم: کاربردهای پیشرفته و آینده

• استفاده از مدل‌ها در اپلیکیشن‌های دنیای واقعی: پیاده‌سازی در سناریوهای عملی.

• کاوش در MLOps نسل بعدی: تکنیک‌های نوظهور و LLMOps.

• عملیاتی کردن LLMs با RAG و جریان‌های پرامپت: استقرار مدل‌های زبان بزرگ.

کاربردهای عملی

این کتاب با مطالعات موردی در Azure، AWS و GCP، شما را در ساخت خطوط لوله ML، استقرار مدل‌ها و نظارت بر عملکرد هدایت می‌کند. از اتوماسیون CI/CD با GitHub Actions تا استفاده از الگوهای RAG برای LLMs، این کتاب سناریوهای دنیای واقعی را پوشش می‌دهد. آموزش‌های مربوط به نظارت، هشدار و حاکمیت، شما را برای مدیریت سیستم‌های ML در مقیاس سازمانی آماده می‌کنند.

درباره فناوری

این کتاب بر Azure ML CLI، GitHub Actions، RAG، LLMOps و ابزارهای چندابری مانند Azure، AWS و GCP تمرکز دارد. این فناوری‌ها با استانداردهای DevOps و MLOps هم‌راستا هستند و برای ساخت و مدیریت سیستم‌های ML و LLM مقیاس‌پذیر مناسب‌اند.

مخاطبان کتاب

این کتاب برای مهندسان DevOps، حرفه‌ای‌های ابری، متخصصان SRE و دانشمندان داده‌ای که مسئول مدیریت چرخه حیات مدل‌های یادگیری ماشین هستند، ایده‌آل است. چه تازه‌کار در MLOps باشید و چه حرفه‌ای با تجربه که به دنبال بهبود فرآیندهای خود هستید، این کتاب مناسب شماست. مدیران پروژه و تصمیم‌گیرندگان فنی نیز از درک فرآیندها و مزایای MLOps بهره‌مند خواهند شد. دانش پایه در یادگیری ماشین یا DevOps مفید است.

درباره نویسنده

نویسنده، یک مهندس نرم‌افزار ارشد با تجربه در MLOps و LLMOps، با مثال‌های عملی و دانش تولیدمحور، مفاهیم پیچیده را به شکلی قابل‌فهم ارائه کرده است. او راهکارهایی برای ساخت سیستم‌های ML مقیاس‌پذیر و مسئولانه فراهم کرده است.