Mlops: cómo ampliar el aprendizaje automático en la empresa

Opiniones de los lectores

El libro ofrece una visión general de muy alto nivel de los conceptos de MLOps, pero carece de profundidad y de orientación práctica para su aplicación. Mientras que algunos críticos encontraron valor en su organización y naturaleza introductoria, muchos lo criticaron por ser excesivamente simplista, poco perspicaz y disponible gratuitamente en otros lugares. El material se describe como apresurado y carente de soluciones concretas, lo que lo hace inadecuado para profesionales experimentados en aprendizaje automático.

⬤ Estructura organizada; fácil de seguir.
⬤ Ofrece una visión general de alto nivel de los conceptos de MLOps.
⬤ Podría ser beneficioso para principiantes absolutos en ML/DS.

⬤ Muy introductorio; le falta profundidad y soluciones concretas.
⬤ El contenido se puede encontrar con una simple búsqueda en Google.
⬤ Precio excesivo para la cantidad de contenido proporcionado.
⬤ No es útil para quienes tienen conocimientos previos de ML.
⬤ El material está disponible gratuitamente en su sitio web y en mejor calidad.

(basado en 9 opiniones de lectores)

Título original:

Introducing Mlops: How to Scale Machine Learning in the Enterprise

Contenido del libro:

Más de la mitad de los modelos de análisis y aprendizaje automático (ML) creados por las organizaciones hoy en día nunca llegan a la fase de producción. Algunos de los retos y obstáculos a la operacionalización son técnicos, pero otros son organizativos. En cualquier caso, la conclusión es que los modelos que no están en producción no pueden tener impacto en el negocio.

Este libro presenta los conceptos clave de los MLOps para ayudar a los científicos de datos y a los ingenieros de aplicaciones no sólo a hacer operativos los modelos de ML para impulsar un cambio real en el negocio, sino también a mantener y mejorar esos modelos a lo largo del tiempo. A través de lecciones basadas en numerosas aplicaciones MLOps en todo el mundo, nueve expertos en aprendizaje automático proporcionan información sobre los cinco pasos del ciclo de vida del modelo -Construcción, Preproducción, Despliegue, Monitorización y Gobierno- descubriendo cómo se pueden infundir procesos MLOps robustos en todo el proceso.

Este libro le ayuda a:

⬤ Cumplir con el valor de la ciencia de datos reduciendo la fricción a lo largo de las tuberías y flujos de trabajo de ML.

⬤ Perfeccionar los modelos de ML mediante el reentrenamiento, el ajuste periódico y la remodelación completa para garantizar la precisión a largo plazo.

⬤ Diseñar el ciclo de vida de MLOps para minimizar los riesgos organizativos con modelos que sean imparciales, justos y explicables.

⬤ Operacionalizar modelos ML para el despliegue de tuberías y para sistemas de negocio externos que son más complejos y menos estandarizados.