讲师介绍:周紫微,艺康中国数字化部门数据科学家。主要从事统计建模、机器学习系统构建等工作。对构建统计模型有深入的理解,同时又对机器学习项目的工程化及机器学习系统的建立与落地有着丰富的经验。问题背景:相信大部分机器学习工程师都有过这样的经历:拿到项目后,知道了要拿什么样的数据和要建什么样的模型,于是你立马就打开notebook开始实验建模,干了一个多月后,最终建立了一个性能很不错的模型。你拿着结果去找老板,老板说不错。你就拿着模型文件开始部署到生产环境中,但随着时间推移,模型逐渐失效。你只好把最初的那个notebook再挖出来,重新训练模型。日复一日,随着项目变多,最终你疲于应付。其实建模只是机器学习工程师工作中的一小部分,要知道机器学习工程是个系统工程,而不仅仅只是建模。软件开发中常用的DevOps原理和做法也适用于机器学习系统。今天我将给你介绍如何将DevOps的一些概念运用到MachineLearning(ML)上,如何实现模型生命周期的管理自动化,减少重复劳动,让建立的模型拥有更好的可复现性,便于管理。内容看点:完整的MLOps工作流是什么样的?Airflow的基本工具有哪些?如何用Airflow实现自动化模型的训练和测试过程?