book

Team di machine learning efficaci

by David Tan, Ada Leung, David Colls

March 2025

Intermediate to advanced

402 pages

12h 52m

Italian

O'Reilly Media, Inc.

Book available

Read now

Unlock full access

Per chi è questo libroCome è organizzato questo libroParte I: Prodotto e consegnaParte II: IngegneriaParte III: SquadreUlteriori riflessioniConvenzioni utilizzate in questo libroUtilizzo di esempi di codiceFormazione online O'ReillyCome contattarciRingraziamentiDa David TanDa Ada LeungDa David Colls
ML: Promesse e delusioniContinua l'ottimismo nel MLPerché i progetti di ML fallisconoEsiste un modo migliore? Come il pensiero sistemico e il Lean possono aiutareNon puoi "MLOps" i tuoi problemiVedere l'insieme: Una lente di pensiero sistemico per un'efficace erogazione di MLLe cinque discipline necessarie per un'efficace erogazione di MLConclusione
Scoperta del prodotto MLScoprire le opportunità di prodottoTele per definire le opportunità di prodottoTecniche per progettare, fornire e testare rapidamente le soluzioniInception: Impostare le squadre per il successoInception: Cos'è e come si fa?Come pianificare e gestire un'inaugurazioneStorie degli utenti: Elementi costitutivi di un MVPConsegna del prodottoCadenza delle attività di consegnaMisurare il prodotto e la consegnaConclusione
E se il nostro codice funzionasse sempre e ovunque?Un modo migliore: Esci e vaiPrincipi per una gestione efficace delle dipendenzeStrumenti per la gestione delle dipendenzeUn corso accelerato su Docker e BatectCosa sono i contenitori?Riduci il numero di parti mobili in Docker con batectConclusione
Nel contesto: Flusso di lavoro dello sviluppo MLIndividuare cosa containerizzareEsercizio pratico: Ambienti di sviluppo riproducibili, aiutati dai containerGestione sicura delle dipendenzeRimuovere le dipendenze non necessarieAutomatizzare i controlli per le vulnerabilità di sicurezzaConclusione
Test automatizzati: Le basi per un'iterazione rapida e affidabileIniziare con il perché: I vantaggi dell'automazione dei testSe i test automatizzati sono così importanti, perché non li facciamo?Elementi costitutivi di una strategia di test completa per i sistemi MLCosa: identificare i componenti da testareCaratteristiche di un buon test e insidie da evitareIl come: Struttura di un testTest del softwareTest unitariTest di formazione sul fumoTest APITest successivi all'implementazioneConclusione
Test del modelloLa necessità di testare i modelliLe sfide del test dei modelli MLFunzioni di fitness per i modelli MLTest sulle metriche del modello (globale e stratificato)Test comportamentaliTestare modelli linguistici di grandi dimensioni: Perché e comePratiche complementari essenziali per i test modelloAnalisi e visualizzazione degli erroriImpara dalla produzione chiudendo il ciclo di raccolta dei datiDesign del test aperto-chiusoTest esplorativiMezzi per migliorare il modelloProgettare per ridurre al minimo il costo dei guastiMonitoraggio in produzioneMettere tutto insiemePassi successivi: Applicare ciò che hai imparatoMiglioramenti incrementaliDimostrare il valoreConclusione
I vantaggi (e la sorprendente semplicità) di conoscere il nostro IDEPerché dovremmo preoccuparci degli IDE?Se gli IDE sono così importanti, perché non li ho ancora imparati?Il piano: Diventare produttivi in due fasiFase 1: Configurazione dell'IDEFase 2: La star dello spettacolo: le scorciatoie della tastieraCe l'hai fatta!Conclusione

Debito tecnico: la sabbia nei nostri ingranaggiRaggiungere un livello sano di debito attraverso test, progettazione e refactoringRefactoring 101Come rifattorizzare un blocco note (o una base di codice problematica)La mappa: Pianifica il tuo viaggioIl viaggio: Mettiti in viaggioGuardando indietro a ciò che abbiamo raggiuntoLa gestione del debito tecnico nel mondo realeTecniche di gestione del debito tecnicoUna lente positiva sul debito: le valutazioni sullo stato di salute dei sistemiConclusione: Rendi facile il bene
MLOps: punti di forza e pezzi mancanti del puzzleMLOps 101Odori: Indizi che ci hanno fatto perdere qualcosaConsegna continua per l'apprendimento automaticoVantaggi della CD4MLUn corso intensivo sui principi della consegna continuaElementi costitutivi del CD4ML: Creare un sistema di ML pronto per la produzioneCome CD4ML supporta la governance del ML e l'IA responsabileConclusione
Sfide comuni per i team di MLInterni di un team efficaceLa fiducia come elemento fondanteComunicazioneMembri diversiProgressi mirati e condivisiTattiche interne per creare team efficaciMigliorare il flusso con l'efficacia ingegneristicaLoop di feedbackCarico cognitivoStato del flussoConclusione
Sfide comuni per le organizzazioni di MLOrganizzazioni efficaci come squadre di squadreIl ruolo della gestione del portafoglio orientata al valoreModello di topologie di squadraTopologie di squadra per squadre di MLTattiche organizzative per creare team efficaciLeadership intenzionaleCreare strutture e sistemi per team efficaciCoinvolgere le parti interessate e coordinare le risorse organizzativeColtivare la sicurezza psicologicaCampione del miglioramento continuoAccogliere il fallimento come opportunità di apprendimentoCostruisci la cultura che vorremmo avereIncoraggia i team a giocare al lavoroConclusioneEpilogo: Il viaggio di Dana

Overview

Questo lavoro è stato tradotto utilizzando l'AI. Siamo lieti di ricevere il tuo feedback e i tuoi commenti: translation-feedback@oreilly.com

Acquisisci le preziose competenze e tecniche necessarie per accelerare la fornitura di soluzioni di apprendimento automatico. Con questa guida pratica, i data scientist, gli ingegneri di ML e i loro leader impareranno come colmare il divario tra la scienza dei dati e la Lean product delivery in modo pratico e semplice. David Tan, Ada Leung e Dave Colls ti mostrano come applicare le comprovate competenze di ingegneria del software e le pratiche di consegna dei prodotti Lean per ridurre la fatica e gli sprechi, abbreviare i cicli di feedback e migliorare il flusso del tuo team durante la creazione di sistemi e prodotti ML. Basate sull'esperienza degli autori in diversi progetti di dati e ML nel mondo reale, le tecniche collaudate in questo libro aiuteranno il tuo team a evitare le trappole comuni nel mondo ML, in modo da poter iterare e scalare in modo più rapido e affidabile. Im

Basate sull'esperienza degli autori in diversi progetti di dati e ML nel mondo reale, le tecniche collaudate in questo libro aiuteranno il tuo team a evitare le trappole comuni nel mondo dell'ML, in modo da poter iterare e scalare in modo più rapido e affidabile. Imparerai come superare gli attriti e sperimentare il flusso durante la fornitura di soluzioni ML.

Imparerai anche a:

Scrivere test automatici per i sistemi di ML, containerizzare gli ambienti di sviluppo e fare refactoring dei codebase che presentano dei problemi
Applicare le pratiche MLOps e CI/CD per accelerare i cicli di sperimentazione e migliorare l'affidabilità delle soluzioni ML
Applicare le pratiche Lean di consegna e di prodotto per aumentare le possibilità di realizzare il prodotto giusto per gli utenti.
Identifica le strutture di team adeguate e le tecniche di collaborazione intra e inter-team per consentire un flusso rapido, ridurre il carico cognitivo e scalare l'apprendimento automatico all'interno della tua organizzazione.