Představujeme Mlops: Jak škálovat strojové učení v podniku

Recenze čtenářů

Kniha poskytuje přehled konceptů MLOps na velmi vysoké úrovni, ale chybí jí hloubka a praktický návod k implementaci. Zatímco někteří recenzenti shledávali hodnotu v její organizaci a úvodní povaze, mnozí ji kritizovali jako příliš zjednodušenou, neprozíravou a volně dostupnou jinde. Materiál je popisován jako uspěchaný a postrádající konkrétní řešení, takže je nevhodný pro zkušené profesionály v oblasti strojového učení.

⬤ Organizovaná struktura; snadné sledování.
⬤ Nabízí přehled konceptů MLOps na vysoké úrovni.
⬤ Mohl by být přínosný pro úplné začátečníky v oblasti ML/DS.

⬤ Velmi úvodní; chybí hloubka a konkrétní řešení.
⬤ Obsah lze najít pomocí jednoduchého vyhledávání na Googlu.
⬤ Předražené vzhledem k množství poskytovaného obsahu.
⬤ Není užitečné pro ty, kteří mají předchozí znalosti MLOps.
⬤ Materiál je k dispozici zdarma na jejich webových stránkách a v lepší kvalitě.

(na základě 9 hodnocení čtenářů)

Původní název:

Introducing Mlops: How to Scale Machine Learning in the Enterprise

Obsah knihy:

Více než polovina analytických modelů a modelů strojového učení (ML), které dnes organizace vytvářejí, se nikdy nedostane do výroby. Některé z problémů a překážek zprovoznění jsou technické, ale jiné jsou organizační. Ať tak či onak, podstatné je, že modely, které nejsou v produkci, nemohou přinést obchodní dopad.

Tato kniha představuje klíčové koncepty MLOps, které datovým vědcům a aplikačním inženýrům pomohou nejen zprovoznit ML modely tak, aby vedly ke skutečným obchodním změnám, ale také tyto modely v průběhu času udržovat a zlepšovat. Prostřednictvím lekcí založených na četných aplikacích MLOps po celém světě poskytuje devět odborníků na strojové učení vhled do pěti kroků životního cyklu modelu - sestavení, předprodukce, nasazení, monitorování a správy - a ukazuje, jak lze do všech kroků vnést robustní procesy MLOps.

Tato kniha vám pomůže:

⬤ Naplnit hodnotu datové vědy tím, že snížíte tření v celém potrubí a pracovních postupech ML.

⬤ Zpřesnit ML modely pomocí přeškolování, pravidelného ladění a kompletní přestavby, abyste zajistili dlouhodobou přesnost.

⬤ Navrhněte životní cyklus ML tak, abyste minimalizovali organizační rizika pomocí modelů, které jsou objektivní, spravedlivé a vysvětlitelné.

⬤ Provozujte ML modely pro nasazení v potrubí a pro externí podnikové systémy, které jsou složitější a méně standardizované.