MLOps - Kernkonzepte im Überblick
Machine-Learning-Prozesse im Unternehmen nachhaltig automatisieren und skalieren
Mehr als die Hälfte der von Organisationen erstellten Analytik- und Machine-Learning-Modelle gelangen nie in die Produktion. Viele dieser Modelle bieten lediglich statische Einblicke in Form von Präsentationen. Wenn sie nicht wirklich operationell sind, können diese Modelle nicht das tun, wozu sie trainiert wurden. Dieses Buch stellt praktische Konzepte vor, die Datenwissenschaftlern und Anwendungsentwicklern helfen, ML-Modelle zu operationalisieren, um echte Veränderungen im Geschäft zu bewirken. Anhand zahlreicher Projekte weltweit präsentieren sechs Experten im Bereich Datenanalytik einen angewandten vierstufigen Ansatz – Bauen, Verwalten, Bereitstellen und Integrieren sowie Überwachen – zur Erstellung von ML-integrierten Anwendungen in Ihrer Organisation. Sie lernen, wie Sie den Wert der Datenwissenschaft erfüllen, indem Sie Reibungsverluste in ML-Pipelines und Workflows reduzieren, ML-Modelle durch Nachtraining, regelmäßige Feinabstimmung und vollständige Umgestaltung ständig verfeinern, den ML-Ops-Lebenszyklus so gestalten, dass benutzerorientierte Modelle unvoreingenommen, fair und erklärbar sind, sowie ML-Modelle nicht nur für die Pipeline-Bereitstellung, sondern auch für komplexere und weniger standardisierte externe Geschäftssysteme operationalisieren. Setzen Sie den vierstufigen Ansatz in die Praxis um.