前言： 87%的数据项目不会投入生产。只有AI/ML工程投入生产，数据科学项目才会真正体现价值。因此，MLOps项目需要数据科学家和MLOps工程师合作。
什么是MLOps？
Maching Learning Operations. MLOps提供端到端的机器学习开发流程，支持设计、构建和管理可重复、可测试和可进化的机器学习软件。接下来会通过几个端到端数据项目，介绍怎么利用MLOps构建可生产的数据项目。
设计MLOps方案
MLOps技术变化非常快，MLOps任务的tools非常多，这就导致非常多选择，但这意味着在实际case中必须要能选择性能最优的方案。在不同的场景下，设计架构是件非常有挑战的事情。对比DevOps具有CI/CD软件方案，MLOps同样具有CI（Continuous Integration）/CD（Continuous Delivery）/CT（Continuous Training）/CM（Continuous Monitoring）的方案。 如下是MLOps软件栈模板：
- Data Analysis: 数据分析组件可使用各种tools，开发语言例如Python或R。
- Experimentation：结合领域知识的实验，可以帮助选择工具集。
- Feature Store：特征仓用来存储各种特征数据，供各个开发团队使用。
- Code Repository：数据和代码仓。
- ML Pipeline：ML流水使机器学习项目的状态，从data到模型结果转移。
- Metadata Store：元数据仓。
- Model Registry：模型记录，反映模型的多次迭代。
- Model Serving：真实场景下的模型推理。
- Model Monitoring：模型在生产环境部署后，监控真实场景下模型参数，有助于反馈问题，从而重训模型或处理数据。
10个MLOps项目实践(Beginners)
MLOps当前还处于新生阶段。各大云厂商和开源应用正在尝试支持production-ready ML。接下来，我们探索一些更好数据项目落地的MLOps实践：
1) 优雅的项目结构- Cookiecutter & readme.so
优化项目结构是一件非常重要的事情，cookiecutter是一个python工具包，能方便的构建ML项目结构。 数据项目最容易缺失文档，然后完整的文档是非常关键的。 readme.so是一个方便的readme编辑工具。 实践项目：在Kaggle Titanic EDA to ML Challenge找个项目，使用Cookiecutter和文档重新构建。
2) 快速数据分析 - Pandas Profiling, SweetViz
Exploratory Data Analysis (EDA) ，利用Jupyter Notebooks上的图像、分析功能有时是远远不够的，推荐以下提升EDA效率的方式：
- Pandas Profiling: 快速分析数据，包括类型推断、唯一值、缺失值、分位数统计、描述性统计、直方图、相关性、文本分析等。仅仅一行代码，就能快速完成可视化数据分析。 SweetViz: SweetViz 提供了深入的EDA，它比 Pandas 分析更进一步，提供目标分析、特征分析、比较和相关性分析。
实践项目：Zomato Restaurants dataset
3) 数据版本控制 - DVC
Track data science projects with CI, CD, CT, CM. DVC使模型可共享和可复制。GitHub只关注代码，而DVC能处理大型文件、数据集、机器学习模型、指标和代码。 实践项目: 利用Kaggle Telco Customer Churn Dataset数据集，完成EDA、数据清洗、建模，DVC。
4) 可解释性AI/XAI
5) 快速部署ML项目- Docker，FastAPI
使用Docker或FastAPI 来打包、连接机器学习模型以供生产使用。 Docker：利用操作系统级虚拟化来简化部署，以称为容器形式交付软件。 FastAPI：开发Web应用的软件框架，FastAPI 是一个用于构建 API 的现代高性能 Web 框架。 实践项目：使用Kaggle Boston House Prices数据集，构建一个随机森林回归器。任务流程如下：
