Hodnotenie:
Kniha je oceňovaná za praktický prístup k MLOps, ktorý poskytuje praktickú implementáciu a príklady z praxe, najmä s využitím služieb Azure. Pokrýva základné koncepty a slúži ako dobrý úvod pre začiatočníkov aj skúsených inžinierov. Bola však kritizovaná za preklepy, neaktuálny obsah a závislosť na Azure, čo môže obmedziť jej použiteľnosť pre tých, ktorí používajú iné cloudové platformy.
Výhody:⬤ Praktické príklady a praktická implementácia
⬤ jasný a jednoduchý jazyk
⬤ komplexný prehľad MLOps
⬤ prínosný pre skúsených inžinierov aj profesionálov z biznisu
⬤ pokrytie rôznych techník MLOps na vysokej úrovni
⬤ dobrá rovnováha teórie a praxe
⬤ odporúčame pre začiatočníkov.
⬤ Laxná korektúra s niekoľkými preklepmi
⬤ príklady môžu byť s aktualizáciami Azure zastarané
⬤ niektorý obsah pôsobí ako čierna skrinka kvôli silnému spoliehaniu sa na Azure
⬤ chýba hlboký teoretický pohľad na analýzu výkonnosti modelov
⬤ problémy s nezrovnalosťami v kóde medzi knihou a repozitárom.
(na základe 15 čitateľských recenzií)
Engineering MLOps: Rapidly build, test, and manage production-ready machine learning life cycles at scale
Začnite používať riadenie životného cyklu strojového učenia a implementujte MLOps vo svojej organizácii
Kľúčové funkcie:
⬤ Získajte prehľad o technikách MLOps na monitorovanie kvality modelov strojového učenia vo výrobe.
⬤ Preskúmajte rámec monitorovania modelov ML vo výrobe a naučte sa o sledovateľnosti nasadených modelov od konca do konca.
⬤ Vykonajte CI/CD na automatizáciu nových implementácií v potrubiach ML.
Popis knihy:
MLOps je systematický prístup k vytváraniu, nasadzovaniu a monitorovaniu riešení strojového učenia (ML). Je to inžinierska disciplína, ktorú možno aplikovať v rôznych odvetviach a prípadoch použitia. Táto kniha predstavuje komplexný pohľad na MLOps spolu s príkladmi z reálneho sveta, ktoré vám pomôžu písať programy, trénovať robustné a škálovateľné modely ML a vytvárať pipeline ML na bezpečné trénovanie a nasadzovanie modelov v produkcii.
Kniha sa začína oboznámením s pracovným postupom MLOps, aby ste mohli začať písať programy na trénovanie modelov ML. Potom prejdete k preskúmaniu možností serializácie a balenia modelov ML po ich natrénovaní s cieľom ich nasadenia na uľahčenie odvodzovania strojového učenia, interoperability modelov a sledovateľnosti modelov od konca do konca. Pochopíte, ako vytvárať ML pipelines, pipelines kontinuálnej integrácie a kontinuálneho dodávania (CI/CD) a monitorovacie pipelines na systematické vytváranie, nasadzovanie, monitorovanie a riadenie ML riešení pre podniky a priemyselné odvetvia. Nakoniec použijete získané vedomosti na budovanie reálnych projektov.
Na konci tejto knihy o ML budete mať 360-stupňový pohľad na MLOps a budete pripravení implementovať MLOps vo svojej organizácii.
Čo sa naučíte:
⬤ Formulovať stratégie správy údajov a potrubia pre školenia a nasadenie ML.
⬤ Zoznámite sa s implementáciou ML pipelines, CI/CD pipelines a ML monitoring pipelines.
⬤ Navrhnúť robustnú a škálovateľnú mikroslužbu a API pre testovacie a produkčné prostredie.
⬤ Prepracujte si vlastné procesy CD pre súvisiace prípady použitia a organizácie.
⬤ Monitorovanie modelov ML vrátane monitorovania driftu údajov, driftu modelu a výkonu aplikácie.
⬤ Vybudovať a udržiavať automatizované systémy ML.
Pre koho je táto kniha určená:
Táto kniha MLOps je určená pre dátových vedcov, softvérových inžinierov, DevOps inžinierov, inžinierov strojového učenia a vedúcich pracovníkov v oblasti obchodu a technológií, ktorí chcú budovať, nasadzovať a udržiavať ML systémy v produkcii pomocou princípov a techník MLOps. Na začatie práce s touto knihou sú potrebné základné znalosti strojového učenia.