Aufbau von Machine-Learning-Systemen mit einem Feature Store

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: translation-feedback@oreilly.com

Mach dich mit einem neuen einheitlichen Ansatz zum Aufbau von Machine-Learning-Systemen (ML) mit einem Feature Store vertraut. Mit diesem praktischen Buch lernen Datenwissenschaftler und ML-Ingenieure im Detail, wie sie Batch-, Echtzeit- und agentenbasierte ML-Systeme entwickeln und betreiben können.

Der Autor Jim Dowling stellt grundlegende Prinzipien und Praktiken für die Entwicklung, das Testen und den Betrieb von ML- und KI-Systemen in großem Maßstab vor. Du wirst sehen, wie jedes KI-System in unabhängige Feature-, Trainings- und Inferenz-Pipelines zerlegt werden kann, die durch eine gemeinsame Datenschicht verbunden sind. Anhand von Beispiel-ML-Systemen wirst du dich mit dem schwierigsten Teil von ML-Systemen befassen – den Daten – und lernen, wie man Daten in Features und Einbettungen umwandelt und wie man ein Datenmodell für KI entwirft.

• Entwickle Batch-ML-Systeme in jeder Größenordnung
• Entwickle Echtzeit-ML-Systeme durch Shifting Left oder Shifting Right der Feature-Berechnung
• Entwickle agentenbasierte ML-Systeme, die LLMs, Tools und Retrieval-Augmented Generation nutzen
• Verstehe und wende MLOps-Prinzipien bei der Entwicklung und dem Betrieb von ML-Systemen an