Aufbau von Machine-Learning-Systemen mit einem Feature Store

Kapitel 2. Pipelines fürmaschinelles Lernen

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

In einer meiner Lieblingsfolgen von „Die Simpsons“ konnte Homer Simpson es kaum glauben, als er hörte, dass Speck, Schinken und Schweinekoteletts alle vom selben Tier kommen: „Ja, klar, Lisa, ein wunderbares, magisches Tier.“ Ich hatte die gleiche Reaktion, als ich ChatGPT 4.1 nach einer Definition für eine ML-Pipeline gefragt habe. Es sagte mir, dass eine ML-Pipeline Datenerfassung, Feature Engineering, Modelltraining, Modellbewertung, Modellbereitstellung, Modellüberwachung, Inferenz und Wartung durchführt. „Ja, klar, GPT, eine wunderbare, magische monolithische ML-Pipeline“, dachte ich. Es behauptete sogar, seine ML-Pipeline sei modular!

Kein Wunder, dass ich, wenn ich 10 verschiedene Datenwissenschaftler nach einer Definition einer ML-Pipeline frage, in der Regel 10 verschiedene Antworten bekomme. Es gibt keine Einigkeit darüber, was ihre Ein- und Ausgänge sind. Wenn ein Entwickler dir erzählt, dass er sein KI-System mit einer ML-Pipeline gebaut hat, welche Informationen kannst du daraus gewinnen? Meiner Meinung nach könnte der Begriff ML-Pipeline, wie er derzeit verwendet wird, bei der Kommunikation über den Aufbau von KI-Systemen als „schädlich“ angesehen werden.¹ In diesem Buch versuchen wir, genauer zu sein. Wir beschreiben KI-Systeme anhand der konkreten Pipelines, die zu ihrer Erstellung verwendet ...