MENU
Nasze ceny
-
nowość
MLOps dla biznesu. Wdrażanie i skalowanie modeli uczenia maszynowego - ebook
MLOps dla biznesu. Wdrażanie i skalowanie modeli uczenia maszynowego - ebook
Praktyczny przewodnik po skalowaniu AI w przedsiębiorstwach.
MLOps (ang. machine learning operations) to jedna z najszybciej rozwijających się dziedzin IT, łącząca uczenie maszynowe z praktykami DevOps. W erze cyfrowej transformacji, gdy organizacje coraz częściej wdrażają modele AI w środowiskach produkcyjnych, potrzeba skutecznego zarządzania cyklem życia modeli uczenia maszynowego staje się kluczowa. Książka MLOps dla biznesu odpowiada na rosnące zapotrzebowanie rynku na praktyczne przewodniki po tej złożonej tematyce, oferując kompleksowe podejście do skalowania rozwiązań AI w przedsiębiorstwach.
Autorzy prezentują pełny cykl życia modeli uczenia maszynowego od tworzenia i walidacji, przez wdrażanie w środowisku produkcyjnym, po monitorowanie i zarządzanie. Szczegółowo omawiają kluczowe aspekty MLOps: automatyzację potoków CI/CD, strategie wdrażania, wykrywanie dryfu danych, zarządzanie ryzykiem i odpowiedzialną sztuczną inteligencję. Praktyczne studium przypadków z różnych branż od finansów po energetykę ilustruje rzeczywiste wyzwania i rozwiązania, z jakimi mierzą się zespoły implementujące MLOps na dużą skalę.
- Kompleksowy przegląd metodologii MLOps i jej kluczowych komponentów
- Praktyczne strategie wdrażania modeli w środowiskach produkcyjnych
- Techniki monitorowania wydajności modeli i wykrywania dryfu danych
- Zarządzanie ryzykiem i aspekty odpowiedzialnej sztucznej inteligencji
- Rzeczywiste studia przypadków z branży finansowej, marketingu i energetyki
- Najlepsze praktyki w zakresie automatyzacji i skalowania rozwiązań uczenia maszynowego
- Współpraca między zespołami data science, DevOps i biznesowymi
Mark Treveil i zespół Dataiku to uznani eksperci w dziedzinie uczenia maszynowego i analizy danych. Mają wieloletnie doświadczenie w projektowaniu i wdrażaniu rozwiązań AI w różnych branżach od telekomunikacji po energetykę. Zespół Dataiku, wiodącej platformy do nauki o danych, regularnie publikuje treści edukacyjne i prowadzi szkolenia dla specjalistów z całego świata.
Spis treści
Wstęp
Część I. MLOps: Co to takiego i dlaczego jest ważne?
- 1. Dlaczego teraz i na jakie wyzwania odpowiada?
- Definicja MLOps i związane z nimi wyzwania
- Operacje MLOps w celu ograniczenia ryzyka
- Ocena ryzyka
- Ograniczanie ryzyka
- Operacje MLOps w odpowiedzialnym rozwoju sztucznej inteligencji
- MLOps w dużej skali
- Podsumowanie
- 2. Ludzie MLOps
- Eksperci dziedzinowi
- Naukowcy ds. danych
- Inżynierowie danych
- Inżynierowie oprogramowania
- Specjaliści DevOps
- Menadżerowie ryzyka modeli i audytorzy
- Architekci uczenia maszynowego
- Podsumowanie
- 3. Kluczowe funkcje MLOps
- Wprowadzenie do uczenia maszynowego
- Tworzenie modeli
- Wyznaczanie celów biznesowych
- Źródła danych i analiza eksploracyjna
- Projektowanie i dobór cech
- Trenowanie i ocenianie
- Powtarzalność
- Odpowiedzialna sztuczna inteligencja
- Wdrażanie i uruchamianie
- Rodzaje wdrożeń i zawartość modeli
- Wymagania wdrożeniowe dla modeli
- Monitorowanie
- Zagadnienia DevOps
- Wyzwania dla naukowców ds. danych
- Kwestie biznesowe
- Powtarzanie i cykl życia
- Powtarzanie
- Pętla sprzężenia zwrotnego
- Zarządzanie
- Zarządzanie danymi
- Zarządzanie procesem
- Podsumowanie
Część II. MLOps: Jak to zrobić?
- 4. Tworzenie modeli
- Czym jest model uczenia maszynowego?
- W teorii
- W praktyce
- Niezbędne komponenty
- Różne algorytmy uczenia maszynowego, różne wyzwania MLOps
- Eksploracja danych
- Projektowanie i dobór cech
- Techniki inżynierii cech
- Jak dobór cech wpływa na strategię MLOps?
- Eksperymentowanie
- Ocena i porównywanie modeli
- Wybór miar oceny
- Weryfikacja zachowania modelu
- Wpływ odpowiedzialnej sztucznej inteligencji na modelowanie
- Zarządzanie wersjami i możliwości odtwarzania
- Podsumowanie
- Czym jest model uczenia maszynowego?
- 5. Przygotowanie do wdrożenia
- Środowiska uruchomieniowe
- Dostosowanie na drodze od środowisk rozwojowych do produkcyjnych
- Dostęp do danych przed weryfikacją i wdrożeniem w środowisku produkcyjnym
- Końcowe przemyślenia na temat środowisk uruchomieniowych
- Ocena ryzyka modelu
- Cel walidacji modelu
- Źródła ryzyka w modelach uczenia maszynowego
- Zapewnienie jakości w uczeniu maszynowym
- Kluczowe aspekty testowania
- Możliwości odtwarzania i weryfikacji
- Bezpieczeństwo uczenia maszynowego
- Ataki adwersarialne
- Inne luki w zabezpieczeniach
- Ograniczanie ryzyka modeli
- Zmieniające się środowiska
- Współdziałanie modeli
- Niewłaściwe zachowanie modelu
- Podsumowanie
- Środowiska uruchomieniowe
- 6. Wdrażanie w środowisku produkcyjnym
- Potoki CI/CD
- Tworzenie artefaktów uczenia maszynowego
- Czym jest artefakt uczenia maszynowego?
- Potok testowy
- Strategie wdrażania
- Rodzaje wdrażania modeli
- Co brać pod uwagę podczas wdrażania modeli w środowisku produkcyjnym?
- Utrzymanie w środowisku produkcyjnym
- Konteneryzacja
- Rozbudowa wdrożeń
- Wymagania i wyzwania
- Podsumowanie
- 7. Monitorowanie i pętla zwrotna
- Jak często należy ponownie szkolić modele?
- Zrozumienie degradacji modelu
- Ocena danych rzeczywistych
- Wykrywanie zmian wejściowych
- Wykrywanie dryfu w praktyce
- Przykładowe przyczyny dryfu danych
- Metody wykrywania dryfu w danych wejściowych
- Pętla sprzężenia zwrotnego
- Rejestrowanie
- Ocenianie modelu
- Ocena online
- Podsumowanie
- 8. Zarządzanie modelami
- Kto decyduje o potrzebnych zasadach zarządzania organizacją?
- Dostosowanie zarządzania do poziomu ryzyka
- Obecne przepisy kształtujące zarządzanie MLOps
- Regulacje farmaceutyczne w USA: Dobre praktyki
- Zarządzanie ryzykiem modeli finansowych
- Przepisy o ochronie danych osobowych RODO i CCPA
- Nowa fala regulacji dotyczących sztucznej inteligencji
- Pojawienie się odpowiedzialnej sztucznej inteligencji
- Kluczowe aspekty odpowiedzialnej sztucznej inteligencji
- Element 1: Dane
- Element 2: Stronniczość
- Element 3: Inkluzywność
- Element 4: Zarządzanie modelami na dużą skalę
- Element 5: Nadzór
- Szablon nadzoru nad operacjami uczenia maszynowego
- Krok 1: Zrozumienie i klasyfikacja przypadków użycia analizy danych
- Krok 2: Ustalenie stanowiska etycznego
- Krok 3: Określenie zakresów odpowiedzialności
- Krok 4: Ustalenie zasad zarządzania
- Krok 5: Włączenie zasad do procesu MLOps
- Krok 6: Wybór narzędzi do scentralizowanego zarządzania
- Krok 7: Angażowanie i dokształcanie
- Krok 8: Monitorowanie i udoskonalanie
- Podsumowanie
Część III. MLOps: Przykłady z rzeczywistego świata
- 9. MLOps w praktyce: Zarządzanie ryzykiem kredytowym klientów
- Kontekst: Biznesowy przypadek użycia
- Tworzenie modeli
- Aspekty stronniczości modeli
- Przygotowanie do wdrożenia
- Wdrożenie w środowisku produkcyjnym
- Podsumowanie
- 10. MLOps w praktyce: Silniki rekomendacji dla marketingu
- Rozwój systemów rekomendacji
- Znaczenie uczenia maszynowego
- Wysyłać czy pobierać?
- Przygotowanie danych
- Projektowanie i zarządzanie eksperymentami
- Trenowanie i wdrażanie modeli
- Skalowalność i możliwość dostosowania
- Strategia monitorowania i ponownego szkolenia
- Ocenianie w czasie rzeczywistym
- Możliwość włączania i wyłączania rekomendacji
- Struktura i strategia wdrażania potoków
- Monitorowanie i informacje zwrotne
- Ponowne trenowanie modeli
- Aktualizowanie modeli
- Działa w nocy, śpi w ciągu dnia
- Możliwość ręcznego sterowania modelami
- Opcja automatycznego sterowania modelami
- Monitorowanie wydajności
- Podsumowanie
- Rozwój systemów rekomendacji
- 11. MLOps w praktyce: Prognozowanie zużycia
- Systemy zasilania
- Gromadzenie danych
- Określenie problemu: Stosować uczenie maszynowe czy nie?
- Rozdzielczość przestrzenna i czasowa
- Implementacja
- Modelowanie
- Wdrożenie
- Monitorowanie
- Podsumowanie
| Kategoria: | Programowanie |
| Zabezpieczenie: |
Watermark
|
| ISBN: | 978-83-289-3904-2 |
| Rozmiar pliku: | 4,8 MB |
