Med økt etterspørsel etter skalering, sanntidstilgang og andre viktigheter, må virksomheter vurdere å bygge operative maskinlæringspipelines. Denne praktiske guiden hjelper din bedrift med å realisere datavitenskap i ulike virkelige MLOps-scenarier. Senior datavitere, MLOps-ingeniører og maskinlæringsingeniører vil lære hvordan de kan overvinne utfordringer som hindrer mange virksomheter fra å sette ML-modeller i produksjon. Forfatterne Yaron Haviv og Noah Gift tar en produksjonsorientert tilnærming. I stedet for å begynne med ML-modellen, vil du lære hvordan du designer en kontinuerlig operativ pipeline, samtidig som du sikrer at ulike komponenter og metoder kan integreres i denne. Ved å automatisere så mange komponenter som mulig, og gjøre prosessen rask og repeterbar, kan pipelinen din skaleres for å møte organisasjonens behov. Du vil lære hvordan du kan levere rask forretningsverdi samtidig som du møter dynamiske MLOps-krav. Denne boken vil gi deg innsikt i MLOps-prosessen, inkludert dens teknologiske aspekter.
