Mark Treveil / Nicolas Omont / Clément Stenac / Kenji Lefèvre / Du Phan

MLOps – Kernkonzepte im Überblick

Machine-Learning-Prozesse im Unternehmen nachhaltig automatisieren und skalieren

27,99 37,90 

Enthält MwSt.
Kostenloser Versand

Erscheinungsdatum: 26.08.2021Seitenanzahl: 204Verlag: O'ReillyAuflage: 1. AuflageEinband: Broschur ISBN Print: 978-3-96009-172-1ISBN Bundle: 978-3-96010-583-1ISBN PDF: 978-3-96010-580-0ISBN ePub: 978-3-96010-581-7ISBN Mobi: 978-3-96010-582-4 Artikelnummer: 13738

Erfolgreiche ML-Pipelines entwickeln und mit MLOps organisatorische Herausforderungen meistern

  • Stellt DevOps-Konzepte vor, die die speziellen Anforderungen von ML-Anwendungen berücksichtigen
  • Umfasst die Verwaltung, Bereitstellung, Skalierung und Überwachung von Machine-Learning-Modellen im Unternehmensumfeld
  • Für Data Scientists und Data Engineers, die nach besseren Strategien für den produktiven Einsatz ihrer ML-Modelle suchen

Machine-Learning-Modelle zu entwickeln ist das eine, sie im Produktivbetrieb effizient einzusetzen, eine ebenfalls nicht zu unterschätzende Herausforderung – so die Erfahrung vieler Unternehmen. Dieses Buch zeigt Ihnen, wie Sie mithilfe durchdachter MLOps-Strategien eine stabile DevOps-Umgebung für Ihre ML-Anwendungen aufbauen, Ihre Modelle kontinuierlich verbessern und langfristig warten.

Das Buch erläutert MLOps-Schlüsselkonzepte, mit denen Data Scientists und Data Engineers ML-Pipelines und -Workflows optimieren können. Anhand von Fallbeispielen aus der ganzen Welt geben neun ML-Experten praxiserprobte Hilfestellungen zu den fünf Schritten des Modelllebenszyklus – Entwicklung, Preproduction, Deployment, Monitoring und Governance. Sie erfahren auf diese Weise, wie robuste MLOps-Prozesse umfassend in den ML-Produktworkflow integriert werden können.

  • Erschließen Sie den Wert Ihrer Data-Science-Anwendungen für Ihr Unternehmen vollständig, indem Sie Störfaktoren in ML-Pipelines und -Workflows ausräumen
  • Verfeinern Sie Ihre ML-Modelle durch Retraining, regelmäßiges Tuning und grundlegende Überarbeitung, um eine dauerhaft hohe Qualität zu gewährleisten
  • Organisieren Sie den MLOps-Lebenszyklus so, dass Risiken, die in den Modellen stecken könnten, minimiert werden, damit die Ergebnisse unverzerrt, ausgewogen und nachvollziehbar sind
  • Optimieren Sie ML-Modelle nicht nur für die eigene Deployment-Pipeline, sondern auch für externe Partner, deren Systeme komplexer und weniger standardisiert sind

»Wenn Sie auf der Suche nach Strategien sind, um die konkreten Prozesse der ML-Entwicklung zwischen den Teams zu verbessern, ist dieses Buch genau das Richtige für Sie.«

— Adi Polak, Senior Software Engineer, Microsoft

Mark Treveil / Nicolas Omont / Clément Stenac / Kenji Lefèvre / Du Phan

Mark Treveil hat bereits zahlreiche Produkte in verschiedenen Bereichen wie etwa Telekommunikation, Bankwesen und dem Online-Börsengeschäft konzipiert. Sein eigenes Startup hat eine regelrechte Wende in der britischen Kommunalverwaltung initiiert, wo seine Digitalisierungslösung noch immer vorherrscht. Derzeit ist er im Pariser Produktteam von Dataiku beschäftigt.

  • Inhaltsverzeichnis — Download
  • Kapitel 2_An MLOps-Prozessen beteiligte Personen — Download
  • Data Scientists
  • Data Engineers
  • Machine Learning Engineers
Zu diesem Titel sind aktuell leider keine Links vorhanden!