封面
前折页
书名页
版权页
一个趣味尝试
译者序
前言
致谢
作者简介
目录
第1章 导论
 1.1 当我们谈论事物时，我们在谈论什么：术语
 1.2 实现系统质量
 1.3 生命周期过程
  1.3.1 系统测试
  1.3.2 系统部署
  1.3.3 系统的运行与监控
  1.3.4 系统分析
 1.4 软件架构
  1.4.1 架构的角色
  1.4.2 质量实现
  1.4.3 资源
 1.5 AI模型质量
  1.5.1 数据
  1.5.2 AI模型类型
  1.5.3 模型开发生命周期
  1.5.4 AI部分的资源分配
 1.6 不确定性的处理
  1.6.1 人类的价值观
  1.6.2 安全性
 1.7 本章小结
 1.8 讨论题
 1.9 延伸阅读
第2章 软件工程的背景
 2.1 分布式计算
  2.1.1 虚拟机和容器
  2.1.2 分布式软件架构
  2.1.3 接口风格
 2.2 DevOps的发展背景
  2.2.1 基础设施即代码
  2.2.2 DevOps流程
 2.3 MLOps的发展背景
 2.4 本章小结
 2.5 讨论题
 2.6 延伸阅读
第3章 人工智能的背景
 3.1 术语
 3.2 选择模型
  3.2.1 类别的选择
  3.2.2 选择模型类型
 3.3 模型训练的准备工作
  3.3.1 符号型AI执行
  3.3.2 机器学习超参数
 3.4 本章小结
 3.5 讨论题
 3.6 延伸阅读
第4章 基础模型
 4.1 基础模型概述
 4.2 TransFormer架构
  4.2.1 向量空间
  4.2.2 注意力机制
  4.2.3 TransFormer架构的其他组成部分
 4.3 基础模型架构的其他方案
 4.4 定制基础模型
  4.4.1 提示工程
  4.4.2 检索增强生成
  4.4.3 微调
  4.4.4 蒸馏
  4.4.5 防护机制
  4.4.6 更新基础模型
 4.5 基于基础模型的系统设计
  4.5.1 专用机器学习模型与基础模型的成本
  4.5.2 外部基础模型、自建基础模型与开放权重基础模型
 4.6 基础模型与组织成熟度
  4.6.1 数据清洗实验
  4.6.2 组织成熟度
 4.7 基础模型的挑战
 4.8 本章小结
 4.9 讨论题
 4.10 延伸阅读
第5章 AI模型的生命周期
 5.1 模型开发
  5.1.1 数据管理
  5.1.2 特征工程
  5.1.3 数据集划分
  5.1.4 生成模型
  5.1.5 模型训练的工具支持
 5.2 模型构建
 5.3 模型测试
  5.3.1 AI评估与测试相关术语
  5.3.2 机器学习模型评估
  5.3.3 使用AI生成测试
  5.3.4 可重复性
 5.4 发布
 5.5 本章小结
 5.6 讨论题
 5.7 延伸阅读
第6章 系统生命周期
 6.1 设计
  6.1.1 协同设计与开发
  6.1.2 使用微服务
  6.1.3 可修改性设计
 6.2 开发非AI模块
 6.3 构建
 6.4 测试
 6.5 发布与部署
  6.5.1 定期发布与持续部署
  6.5.2 部署模式
  6.5.3 版本偏差
  6.5.4 根据资源选择模型
 6.6 运行、监控与分析
  6.6.1 监控
  6.6.2 事故
  6.6.3 数据漂移
  6.6.4 动态模型更新
  6.6.5 混沌工程
  6.6.6 分析
 6.7 本章小结
 6.8 讨论题
 6.9 延伸阅读
第7章 可靠性
 7.1 基本概念
  7.1.1 在规定的工作条件下
  7.1.2 应对异常输入的运行机制
  7.1.3 适应环境变化的操作机制
  7.1.4 故障、失效与错误
 7.2 故障预防
  7.2.1 模型选择与准备
  7.2.2 数据质量、模型训练与测试
  7.2.3 特征工程
  7.2.4 断路器
  7.2.5 职责划分
  7.2.6 故障模式与影响分析和故障树分析
 7.3 故障检测
  7.3.1 完全失效
  7.3.2 可疑输出
  7.3.3 运行过程中的错误检测
 7.4 故障恢复
  7.4.1 冗余
  7.4.2 错误管理
 7.5 本章小结
 7.6 讨论题
 7.7 延伸阅读
第8章 性能
 8.1 效率
  8.1.1 效率的基本概念
  8.1.2 提高效率的方法
  8.1.3 基础模型的效率考虑因素
 8.2 准确性
  8.2.1 准确性的基本概念
  8.2.2 提高准确性的方法
 8.3 本章小结
 8.4 讨论题
 8.5 延伸阅读
第9章 安全性
 9.1 基础概念
  9.1.1 安全性的传统定义
  9.1.2 人工智能系统中的攻击
 9.2 安全风险缓解策略
  9.2.1 提升安全性的过程方法
  9.2.2 增强安全性的架构方法
  9.2.3 数据预处理的安全性增强方法
  9.2.4 部署流水线中的测试
  9.2.5 系统构建过程中的安全性增强
  9.2.6 运维阶段的安全性强化
  9.2.7 基础模型
 9.3 本章小结
 9.4 讨论题
 9.5 延伸阅读
第10章 隐私与公平性
 10.1 人工智能系统中的隐私保护
 10.2 人工智能系统中的公平性
 10.3 实现隐私保护
  10.3.1 组织方法
  10.3.2 架构与数据预处理
  10.3.3 测试与运维
  10.3.4 基础模型
 10.4 实现公平性
  10.4.1 组织方法和工具
  10.4.2 架构
  10.4.3 数据与模型准备
  10.4.4 运维
  10.4.5 基础模型
 10.5 本章小结
 10.6 讨论题
 10.7 延伸阅读
第11章 可观测性
 11.1 基本概念
 11.2 从可监控性演进到可观测性
  11.2.1 可监控性：早期阶段
  11.2.2 结构化数据与追踪的演进
  11.2.3 从结构化数据到可观测性
 11.3 增强可观测性的方法
  11.3.1 架构
  11.3.2 数据预处理与模型构建
  11.3.3 系统构建
  11.3.4 系统测试
  11.3.5 运维
 11.4 本章小结
 11.5 讨论题
 11.6 延伸阅读
第12章 弗劳恩霍夫案例研究：基于预训练语言模型的招标系统应用
 12.1 问题情境
  12.1.1 需求：交互、集成、数据与质量度量
  12.1.2 开发与运营
 12.2 案例研究描述与配置
  12.2.1 MLOps方法与通用架构
  12.2.2 机器学习解决方案的构建
  12.2.3 利益相关者参与
  12.2.4 概念验证阶段
  12.2.5 实施阶段
  12.2.6 生产阶段
 12.3 本章小结
 12.4 要点
 12.5 讨论题
 12.6 延伸阅读
第13章 ARM Hub案例研究：面向澳大利亚中小型企业的智能对话系统
 13.1 导论
 13.2 我们的研究方法
 13.3 大语言模型在中小型制造企业中的应用
 13.4 面向中小型制造企业的检索增强型对话系统
 13.5 ARM Hub聊天机器人架构
  13.5.1 ETL/文档导入
  13.5.2 文档预处理与嵌入
  13.5.3 向量搜索/向量索引
  13.5.4 使用RAG链进行信息检索
  13.5.5 用户界面与响应记录
 13.6 ARM Hub中的MLOps
  13.6.1 对于ARM Hub，MLOps有哪些优势
  13.6.2 探索性数据分析
  13.6.3 数据预处理/导入与提示工程
  13.6.4 模型微调
  13.6.5 模型审查与治理
  13.6.6 模型推理与服务部署
  13.6.7 模型评估
 13.7 研究进展
 13.8 本章小结
 13.9 要点
 13.10 讨论题
 13.11 延伸阅读
第14章 银行业案例研究：银行客户流失预测
 14.1 客户流失预测
  14.1.1 模型数据的来源与验证
  14.1.2 模型特征工程与选择
  14.1.3 模型训练与性能评估
  14.1.4 模型打包、部署与推理
  14.1.5 模型性能监控
 14.2 银行业面临的主要挑战
  14.2.1 数据隐私与安全
  14.2.2 人工智能决策的可追溯性与透明性
 14.3 本章小结
 14.4 要点
 14.5 讨论题
 14.6 延伸阅读
第15章 AI工程的未来
 15.1 迈向DevOps 2.0
 15.2 AI对未来的影响
  15.2.1 工程AI系统的未来
  15.2.2 MLOps的未来
  15.2.3 架构的未来发展
 15.3 AIWare/人工智能即软件
 15.4 AI的可信度与人类工程师的作用
  15.4.1 系统级防护机制
  15.4.2 多智能体系统的设计
  15.4.3 对AI模型的理解与质量控制
  15.4.4 基础模型的专门化与模型外学习
 15.5 本章小结
 15.6 讨论题
 15.7 延伸阅读
参考文献
推荐阅读
后折页
封底