MLOps – Kernkonzepte im Überblick
Machine-Learning-Prozesse im Unternehmen nachhaltig automatisieren und skalieren
Cite this publication as
accesses
quotes
Descripción / Abstract
Erfolgreiche ML-Pipelines entwickeln und mit MLOps organisatorische Herausforderungen meistern
- Stellt DevOps-Konzepte vor, die die speziellen Anforderungen von ML-Anwendungen berücksichtigen
- Umfasst die Verwaltung, Bereitstellung, Skalierung und Überwachung von ML-Modellen im Unternehmensumfeld
- Für Data Scientists und Data Engineers, die nach besseren Strategien für den produktiven Einsatz ihrer ML-Modelle suchen
Viele Machine-Learning-Modelle, die in Unternehmen entwickelt werden, schaffen es aufgrund von organisatorischen und technischen Hürden nicht in den produktiven Betrieb. Dieses Buch zeigt Ihnen, wie Sie erprobte MLOps-Strategien einsetzen, um eine erfolgreiche DevOps-Umgebung für Ihre ML-Modelle aufzubauen, sie kontinuierlich zu verbessern und langfristig zu warten.
Das Buch erläutert MLOps-Schlüsselkonzepte, mit denen Data Scientists und Data Engineers ihre ML-Pipelines und -Workflows optimieren können. Anhand von Fallbeispielen, die auf zahlreichen MLOps-Anwendungen auf der ganzen Welt basieren, geben neun ML-Experten wertvolle Einblicke in die fünf Schritte des Modelllebenszyklus - Build, Preproduction, Deployment, Monitoring und Governance. Sie erfahren auf diese Weise, wie robuste MLOps-Prozesse umfassend in den ML-Produktworkflow integriert werden können.
Descripción
Índice
- BEGINN
- Inhalt
- Vorwort
- Teil I: Was ist MLOps, und warum wird es benötigt?
- Kapitel 1: Warum jetzt, und was sind die Herausforderungen?
- Kapitel 2: An MLOps-Prozessen beteiligte Personen
- Kapitel 3: Die Kernkomponenten von MLOps
- Teil II: MLOps einsetzen
- Kapitel 4: Modellentwicklung
- Kapitel 5: Vorbereitung für die Produktion
- Kapitel 6: Deployment in die Produktivumgebung
- Kapitel 7: Monitoring und Feedback-Schleife
- Kapitel 8: Modell-Governance
- Teil III: MLOps-Anwendungsfälle aus der Praxis
- Kapitel 9: MLOps in der Praxis: Kreditrisikomanagement bei der Vergabe von Verbraucherkrediten
- Kapitel 10: MLOps in der Praxis: Empfehlungssysteme im Marketing
- Kapitel 11: MLOps in der Praxis: die Verbrauchsprognose am Beispiel der Lastprognose
- Index