لایب سان

More than half of the analytics and machine learning (ML) models created by organizations today never make it into production. Some of the challenges and barriers to operationalization are technical, but others are organizational. Either way, the bottom line is that models not in production can't provide business impact.

This book introduces the key concepts of MLOps to help data scientists and application engineers not only operationalize ML models to drive real business change but also maintain and improve those models over time. Through lessons based on numerous MLOps applications around the world, nine experts in machine learning provide insights into the five steps of the model life cycle--Build, Preproduction, Deployment, Monitoring, and Governance--uncovering how robust MLOps processes can be infused throughout.

This book helps you:

• Fulfill data science value by reducing friction throughout ML pipelines and workflows
• Refine ML models through retraining, periodic tuning, and complete remodeling to ensure long-term accuracy
• Design the MLOps life cycle to minimize organizational risks with models that are unbiased, fair, and explainable
• Operationalize ML models for pipeline deployment and for external business systems that are more complex and less standardized

چکیده فارسی

بیش از نیمی از مدل‌های تحلیلی و یادگیری ماشینی (ML) که امروزه توسط سازمان‌ها ایجاد شده‌اند، هرگز به مرحله تولید نمی‌رسند. برخی از چالش ها و موانع عملیاتی سازی فنی هستند، اما برخی دیگر سازمانی هستند. در هر صورت، نتیجه نهایی این است که مدل‌هایی که در حال تولید نیستند نمی‌توانند تأثیر تجاری داشته باشند.

این کتاب مفاهیم کلیدی MLOps را معرفی می‌کند تا به دانشمندان داده و مهندسین برنامه کمک کند نه تنها مدل‌های ML را برای ایجاد تغییرات واقعی کسب‌وکار عملیاتی کنند، بلکه آن مدل‌ها را در طول زمان حفظ و بهبود ببخشند. از طریق درس‌های مبتنی بر کاربردهای MLOps متعدد در سراسر جهان، نه متخصص در یادگیری ماشین، بینش‌هایی را در مورد پنج مرحله چرخه زندگی مدل - ساخت، پیش‌تولید، استقرار، نظارت، و حاکمیت - ارائه می‌کنند و کشف می‌کنند که چگونه فرآیندهای MLOs قوی می‌توانند در سراسر جهان تزریق شوند. .

این کتاب به شما کمک می کند:

• با کاهش اصطکاک در خطوط لوله ML و گردش کار، ارزش علم داده را برآورده کنید
• مدل‌های ML را از طریق آموزش مجدد، تنظیم دوره‌ای، و بازسازی کامل برای اطمینان از دقت طولانی‌مدت اصلاح کنید
• چرخه عمر MLOps را برای به حداقل رساندن ریسک های سازمانی با مدل هایی بی طرفانه، منصفانه و قابل توضیح طراحی کنید
• مدل های ML را برای استقرار خط لوله و برای سیستم های تجاری خارجی که پیچیده تر و کمتر استاندارد هستند، عملیاتی کنید