Mise en œuvre des MLOps dans l'entreprise

Avec la demande de mise à l'échelle, d'accès en temps réel et d'autres capacités, les entreprises doivent envisager de construire des pipelines d'apprentissage automatique opérationnels. Ce guide pratique aide ton entreprise à donner vie à la science des données pour différents scénarios MLOps du monde réel. Les data scientists seniors, les ingénieurs MLOps et les ingénieurs en apprentissage automatique apprendront comment relever les défis qui empêchent de nombreuses entreprises de faire passer les modèles ML en production.

Les auteurs Yaron Haviv et Noah Gift adoptent une approche axée sur la production d'abord. Plutôt que de commencer par le modèle ML, tu apprendras à concevoir un pipeline opérationnel continu, tout en t'assurant que divers composants et pratiques peuvent s'y mapper. En automatisant autant de composants que possible, et en rendant le processus rapide et reproductible, ton pipeline peut évoluer en fonction des besoins de ton organisation.

Tu apprendras comment apporter rapidement de la valeur à l'entreprise tout en répondant aux exigences dynamiques de MLOps. Ce livre t'aidera à :

• Apprendre le processus MLOps, y compris sa valeur technologique et commerciale.
• Construire et structurer des pipelines MLOps efficaces
• Développer efficacement les MLOps dans l'ensemble de l'organisation
• Explorer les cas d'utilisation courants des MLOps
• Construire des pipelines MLOps pour les déploiements hybrides, les prédictions en temps réel et l'IA composite.
• Construire des applications de production avec les MLOps et l'IA générative, tout en réduisant les risques, en augmentant l'efficacité et en affinant les modèles.
• Apprends à te préparer et à t'adapter à l'avenir des MLOps.
• Utiliser efficacement des modèles pré-entraînés comme HuggingFace et OpenAI pour compléter ta stratégie MLOps.