Hodnotenie:
Kniha poskytuje prehľad koncepcií MLOps na veľmi vysokej úrovni, ale chýba jej hĺbka a praktické návody na implementáciu. Zatiaľ čo niektorí recenzenti našli hodnotu v jej organizácii a úvodnom charaktere, mnohí ju kritizovali ako príliš zjednodušenú, málo hĺbavú a voľne dostupnú inde. Materiál sa označuje za uponáhľaný a bez konkrétnych riešení, takže je nevhodný pre skúsených odborníkov v oblasti strojového učenia.
Výhody:⬤ Usporiadaná štruktúra; jednoduché sledovanie.
⬤ Ponúka prehľad koncepcií MLOps na vysokej úrovni.
⬤ Mohol by byť prínosom pre úplných začiatočníkov v oblasti ML/DS.
⬤ Veľmi úvodné; chýba hĺbka a konkrétne riešenia.
⬤ Obsah by sa dal nájsť jednoduchým vyhľadávaním v Googli.
⬤ Predražené vzhľadom na množstvo poskytovaného obsahu.
⬤ Nie je užitočné pre tých, ktorí majú predchádzajúce znalosti MLOps.
⬤ Materiál je dostupný zadarmo na ich webovej stránke a v lepšej kvalite.
(na základe 9 čitateľských recenzií)
Introducing Mlops: How to Scale Machine Learning in the Enterprise
Viac ako polovica analytických modelov a modelov strojového učenia (ML), ktoré dnes organizácie vytvárajú, sa nikdy nedostane do produkcie. Niektoré z problémov a prekážok sprevádzkovania sú technické, ale iné sú organizačné. Tak či onak, podstatné je, že modely, ktoré nie sú v produkcii, nemôžu poskytovať obchodný vplyv.
Táto kniha predstavuje kľúčové koncepty MLOps, ktoré pomáhajú dátovým vedcom a aplikačným inžinierom nielen operacionalizovať ML modely s cieľom dosiahnuť skutočné obchodné zmeny, ale aj udržiavať a zlepšovať tieto modely v priebehu času. Prostredníctvom lekcií založených na mnohých aplikáciách MLOps po celom svete deväť odborníkov na strojové učenie poskytuje pohľad na päť krokov životného cyklu modelu - budovanie, predprodukcia, nasadenie, monitorovanie a správa - a odhaľuje, ako možno do celého procesu vniesť robustné procesy MLOps.
Táto kniha vám pomôže:
⬤ Naplniť hodnotu vedy o údajoch znížením trenia v celom potrubí a pracovných postupoch ML.
⬤ Zjemniť ML modely prostredníctvom preškolenia, pravidelného ladenia a kompletnej prestavby s cieľom zabezpečiť dlhodobú presnosť.
⬤ Navrhnite životný cyklus ML tak, aby ste minimalizovali organizačné riziká pomocou modelov, ktoré sú objektívne, spravodlivé a vysvetliteľné.
⬤ Prevádzkujte ML modely pre nasadenie v potrubí a pre externé podnikové systémy, ktoré sú zložitejšie a menej štandardizované.