Angewandte natürliche Sprachverarbeitung im Unternehmen

Kapitel 9. Werkzeuge des Handwerks

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: [e-mail]

Im vorangegangenen Abschnitt haben wir alle grundlegenden Elemente des NLP behandelt und wie man NLP-Modelle entwickelt. In diesem Kapitel erfahren wir, woran du denken solltest, wenn du die wunderbare Welt des Trainings großartiger Modelle auf sorgfältig kuratierten Datensätzen verlässt und dich in das Chaos der realen Welt begibst.

In diesem Kapitel besprechen wir die gängige Software für maschinelles Lernen und die Entscheidungen, die du treffen musst, wenn du dich für eine Software entscheidest, die du in deinen Stack aufnehmen willst. In Kapitel 10 erstellen wir dann mit der benutzerfreundlichen Open-Source-Python-Bibliothek Streamlit eigene Web-Apps für maschinelles Lernen und Data Science, und zum Abschluss dieses Abschnitts (in Kapitel 11) geht es um den Einsatz von Modellen in großem Maßstab mit der Software des Branchenführers Databricks. Am Ende dieser drei Kapitel wirst du wissen, wie du Machine-Learning-Modelle als Web-Apps, APIs und Machine-Learning-Pipelines produktiv machen kannst.

Beginnen wir mit einem Thema, über das viele Entwicklerinnen und Entwickler gerne und viel streiten: Tools.

Menschen, die eigentlich ihre Zeit mit dem Programmieren verbringen sollten, lieben es, in endlos langen Twitter-Threads die Standarddebatten über TensorFlow versus PyTorch oder die beste Programmiersprache zu führen, ...