Engineering MLOps: Construya, pruebe y gestione rápidamente ciclos de vida de aprendizaje automático listos para producción a escala

Opiniones de los lectores

El libro es elogiado por su enfoque práctico de MLOps, proporcionando una implementación práctica y ejemplos de la vida real, en particular utilizando los servicios de Azure. Cubre conceptos fundamentales y sirve como una buena introducción tanto para principiantes como para ingenieros experimentados. Sin embargo, ha sido criticado por errores tipográficos, contenido obsoleto y dependencia de Azure, lo que podría limitar su aplicabilidad para aquellos que utilizan otras plataformas en la nube.

⬤ Ejemplos prácticos e implementación práctica
⬤ lenguaje claro y sencillo
⬤ visión completa de MLOps
⬤ beneficioso tanto para ingenieros experimentados como para profesionales de empresa
⬤ cobertura de alto nivel de varias técnicas de MLOps
⬤ buen equilibrio entre teoría y práctica
⬤ muy recomendable para principiantes.

⬤ Corrección laxa con varias erratas
⬤ los ejemplos pueden quedar obsoletos con las actualizaciones de Azure
⬤ algunos contenidos parecen una caja negra debido a la gran dependencia de Azure
⬤ carece de profundos conocimientos teóricos sobre el análisis del rendimiento de los modelos
⬤ problemas con las discrepancias de código entre el libro y el repositorio.

(basado en 15 opiniones de lectores)

Título original:

Engineering MLOps: Rapidly build, test, and manage production-ready machine learning life cycles at scale

Contenido del libro:

Póngase en marcha con la gestión del ciclo de vida del aprendizaje automático e implemente MLOps en su organización.

Características principales:

⬤ Vuélvase versado con las técnicas de MLOps para monitorear la calidad de los modelos de aprendizaje automático en producción.

⬤ Explore un marco de monitoreo para modelos ML en producción y aprenda sobre la trazabilidad de extremo a extremo para modelos desplegados.

⬤ Realice CI/CD para automatizar nuevas implementaciones en tuberías de ML.

Descripción del libro

MLOps es un enfoque sistemático para construir, desplegar y monitorear soluciones de aprendizaje automático (ML). Se trata de una disciplina de ingeniería que puede aplicarse a diversos sectores y casos de uso. Este libro presenta una visión completa de MLOps junto con ejemplos del mundo real para ayudarle a escribir programas, entrenar modelos de ML robustos y escalables, y construir pipelines de ML para entrenar y desplegar modelos de forma segura en producción.

El libro comienza familiarizándole con el flujo de trabajo de MLOps para que pueda empezar a escribir programas para entrenar modelos de ML. A continuación, pasará a explorar opciones para serializar y empaquetar modelos de ML después del entrenamiento para desplegarlos con el fin de facilitar la inferencia de aprendizaje automático, la interoperabilidad de modelos y la trazabilidad de modelos de extremo a extremo. Comprenderá cómo crear canalizaciones de ML, canalizaciones de integración continua y entrega continua (CI/CD) y canalizaciones de supervisión para crear, implementar, supervisar y controlar sistemáticamente soluciones de ML para empresas e industrias. Por último, aplicará los conocimientos adquiridos para crear proyectos reales.

Al final de este libro de ML, tendrá una visión de 360 grados de MLOps y estará listo para implementar MLOps en su organización.

Lo que aprenderá:

⬤ Formular estrategias de gobierno de datos y tuberías para la capacitación y el despliegue de ML.

⬤ Enfrentarse a la implementación de tuberías de ML, tuberías de CI / CD y tuberías de monitoreo de ML.

⬤ Diseñar un microservicio robusto y escalable y una API para entornos de prueba y producción.

⬤ Curar sus procesos de CD personalizados para casos de uso y organizaciones relacionadas.

⬤ Monitorear los modelos de ML, incluyendo el monitoreo de la deriva de datos, la deriva del modelo y el rendimiento de la aplicación.

⬤ Construir y mantener sistemas automatizados de ML.

Para quién es este libro:

Este libro de MLOps es para científicos de datos, ingenieros de software, ingenieros de DevOps, ingenieros de aprendizaje automático y líderes empresariales y tecnológicos que desean construir, implementar y mantener sistemas de ML en producción utilizando principios y técnicas de MLOps. Es necesario tener conocimientos básicos de aprendizaje automático para empezar con este libro.