Erhalten Sie einen neuen einheitlichen Ansatz zum Aufbau von Machine-Learning-(ML-)Systemen mit Stapeldaten, Echtzeitdaten und großen Sprachmodellen (LLMs), basierend auf unabhängigen, modularen ML-Pipelines und einer gemeinsamen Datenebene. Mit diesem praktischen Buch lernen Datenwissenschaftler und ML-Ingenieure im Detail, wie man modulare ML-Systeme entwickelt, wartet und betreibt.

Autor Jim Dowling stellt grundlegende MLOps-Prinzipien und -Praktiken für die Entwicklung und den Betrieb zuverlässiger ML-Systeme vor und beschreibt die zentrale Datenplattform, die Sie verwenden werden, um Ihre ML-Systeme zu bauen und zu betreiben: den Feature Store. Anhand von Beispielen zeigen Sie, wie der Feature Store hilft, das schwierigste Problem im ML zu lösen – die Daten. Beim Systemaufbau bewegen Sie sich nahtlos von der Verwaltung inkrementeller Datensätze für Training und Feinabstimmung zu Echtzeit-Datenzugriff und retrieval-gestützter Generierung für Online-ML-Systeme.

Mit diesem Buch werden Sie in der Lage sein:

• Den Sprung vom Trainieren von ML-Modellen zum Aufbau von ML-Systemen zu machen
• Ein ML-System als modulare Feature-, Trainings- und Inferenz-Pipelines zu entwickeln
• Batch-ML-Systeme, Echtzeit-ML-Systeme und feinabgestimmte LLM-Systeme mit retrieval-gestützter Generierung zu entwerfen, zu entwickeln und zu betreiben
• Die Probleme zu verstehen, die ein Feature Store für ML beim Aufbau von ML-Systemen löst
• Die Prinzipien von MLOps für die Entwicklung und sichere Aktualisierung von ML-Systemen zu verstehen

Jim Dowling ist CEO von Hopsworks und außerordentlicher Professor am KTH Royal Institute of Technology in Stockholm, Schweden.

Seiten: 450, Maße: 17,8x17,8 cm