Padroneggiare l'architettura Mlops: Dal codice alla distribuzione: Gestire il ciclo di produzione di modelli ML ad apprendimento continuo con Mlops

Recensioni dei lettori

Attualmente non ci sono recensioni dei lettori. La valutazione si basa su 2 voti.

Titolo originale:

Mastering Mlops Architecture: From Code to Deployment: Manage the Production Cycle of Continual Learning ML Models with Mlops

Contenuto del libro:

Sfruttate la potenza di MLOps per gestire il ciclo di progetto dell'apprendimento automatico in tempo reale

Caratteristiche principali

Copertura completa dei concetti, dell'architettura, degli strumenti e delle tecniche MLOps.

Focus pratico sulla costruzione di sistemi di ML end-to-end per l'apprendimento continuo con MLOps.

Approfondimenti pratici su CI/CD, monitoraggio, formazione continua dei modelli e riqualificazione automatica.

Descrizione

L'MLOps, una combinazione di DevOps, ingegneria dei dati e apprendimento automatico, è fondamentale per fornire risultati di apprendimento automatico di alta qualità a causa della natura dinamica dei dati di apprendimento automatico. Questo libro approfondisce l'MLOps, coprendone i concetti fondamentali, i componenti e l'architettura, dimostrando come l'MLOps favorisca sistemi di apprendimento automatico robusti e in continuo miglioramento.

Coprendo la pipeline di apprendimento automatico end-to-end, dai dati alla distribuzione, il libro aiuta i lettori a implementare i flussi di lavoro MLOps. Vengono discusse tecniche come l'ingegneria delle funzionalità, lo sviluppo di modelli, i test A/B e le distribuzioni canarie. Il libro fornisce ai lettori la conoscenza degli strumenti e dell'infrastruttura MLOps per attività come il tracciamento dei modelli, la governance dei modelli, la gestione dei metadati e l'orchestrazione della pipeline. I processi di monitoraggio e manutenzione per rilevare il degrado dei modelli sono trattati in modo approfondito. I lettori possono acquisire le competenze necessarie per creare pipeline CI/CD efficienti, distribuire i modelli più velocemente e rendere i loro sistemi di ML più affidabili, robusti e pronti per la produzione.

Nel complesso, il libro è una guida indispensabile a MLOps e alle sue applicazioni per fornire valore al business attraverso l'apprendimento automatico continuo e l'IA.

Cosa imparerete

A progettare una solida infrastruttura MLOps con componenti come i feature store.

Sfruttare strumenti MLOps come registri di modelli, archivi di metadati e pipeline.

Costruire flussi di lavoro CI/CD per distribuire i modelli in modo più rapido e continuo.

Monitorare e mantenere i modelli in produzione per rilevarne il degrado.

Creare flussi di lavoro automatizzati per riqualificare e aggiornare i modelli in produzione.

Per chi è questo libro

Specialisti di machine learning, data scientist, professionisti DevOps, team di sviluppo software e tutti coloro che vogliono adottare l'approccio DevOps nei loro esperimenti e applicazioni agili di machine learning. È auspicabile una conoscenza preliminare dell'apprendimento automatico e della programmazione Python.

Indice dei contenuti

1. Come iniziare con MLOps

2. Architettura e componenti di MLOps

3. Infrastruttura e strumenti MLOps

4. Cosa sono i sistemi di apprendimento automatico?

5. Preparazione dei dati e sviluppo dei modelli

6. Distribuzione e servizio dei modelli

7. Consegna continua dei modelli di apprendimento automatico

8. Apprendimento continuo

9. Monitoraggio, registrazione e manutenzione continui