Ebook Machine Learning Platform Engineering - Xây Dựng Một Internal Developer Platform Cho Các Hệ Thống ML & AI [Ấn Bản Lần 1, Tháng 2/2026] [PDF, EPUB + CODE] [9087E]
Đưa các mô hình machine learning của bạn từ lab và vào production!
Việc triển khai một project machine learning thành công rất khó. "Machine Learning Platform Engineering" sẽ giúp bạn dễ dàng hơn. Trong cuốn sách này, bạn sẽ thiết kế một hệ thống ML đáng tin cậy từ đầu, kết hợp MLOps và DevOps cùng với một stack các công cụ cơ sở hạ tầng đã được chứng minh bao gồm Kubeflow, MLFlow, BentoML, Evidently và Feast.
Trong "Machine Learning Platform Engineering", bạn sẽ học cách:
- ✓ Setup một MLOps platform.
- ✓ Deploy các machine learning model vào production.
- ✓ Build end-to-end data pipeline.
- ✓ Monitoring & Explainability.
Một hệ thống machine learning được thiết kế đúng cách sẽ giúp tối ưu hóa các data workflow, cải thiện sự cộng tác giữa các data & operations team, đồng thời cung cấp cấu trúc rất cần thiết cho cả training & deployment. Trong "Machine Learning Platform Engineering", bạn sẽ học cách thiết kế và triển khai một hệ thống machine learning từ đầu. Bạn sẽ đánh giá cao phần giới thiệu hữu ích ngay lập tức này để đạt được đầy đủ lợi ích của automated ML infrastructure.
Về công nghệ:
Các hệ thống AI và ML có rất nhiều thành phần chuyển động, từ các thư viện ngôn ngữ và application framework, đến workflow & deployment infrastructure, đến các LLM và các mô hình tiên tiến khác. Một internal development platform (IDP) được thiết kế tốt sẽ cung cấp cho các developer một bộ các công cụ và hướng dẫn cụ thể giúp tăng tốc quá trình dev, cải thiện tính nhất quán, bảo mật và trải nghiệm của nhà phát triển.
Về cuốn sách:
"Machine Learning Platform Engineering" hướng dẫn bạn cách xây dựng một IDP hiệu quả cho các ứng dụng ML & AI. Mỗi chương làm sáng tỏ một phần quan trọng của ML workflow, bao gồm thiết lập các orchestration pipeline, lựa chọn các model, phân bổ resource cho training, inference và serving, và nhiều hơn nữa. Trong quá trình học, bạn sẽ tạo ra một nền tảng hiện đại đa năng bằng cách sử dụng các công cụ mã nguồn mở như Kubeflow, MLFlow, BentoML, Evidently, Feast và LangChain.
Bên trong có gì:
- ✓ Setup một end-to-end MLOps/LLMOps platform.
- ✓ Deploy các ML & AI model vào production.
- ✓ Monitoring, Evaluation & Explainability hiệu quả.
Về người đọc:
Dành cho các data scientist hoặc software engineer. Ví dụ bằng Python.
Mục lục:
- ✓ Phần 1. Xây dựng nền tảng MLOps:
- ✓ Chương 01. Bắt đầu với MLOps và ML engineering.
- ✓ Chương 02. MLOps là gì?
- ✓ Chương 03. Xây dựng các ứng dụng trên Kubernetes.
- ✓ Phần 2. Xây dựng các khả năng cốt lõi của ML Platform:
- ✓ Chương 04. Thiết kế các hệ thống ML đáng tin cậy.
- ✓ Chương 05. Điều phối các ML pipeline.
- ✓ Chương 06. Đưa các mô hình ML vào sản xuất.
- ✓ Phần 3. Áp dụng MLOps trong thực tế:
- ✓ Chương 07. Data Analysis & Preparation.
- ✓ Chương 08. Model Training & Validation: Phần 1.
- ✓ Chương 09. Model Training & Validation: Phần 2.
- ✓ Chương 10. Model Inference & Serving.
- ✓ Chương 11. Monitoring & Explainability.
- ✓ Phần 4. Mở rộng MLOps cho các Large Language Model:
- ✓ Chương 12. Thiết kế các hệ thống được hổ trợ bởi LLM.
- ✓ Chương 13. Production LLM System Design.
- ✓ Phụ lục A. Cài đặt và thiết lập.
- ✓ Phụ lục B. Cơ bản về YAML.