book

Effektive Teams für maschinelles Lernen

by David Tan, Ada Leung, David Colls

September 2024

Intermediate to advanced

402 pages

13h 8m

German

O'Reilly Media, Inc.

Book available

Read now

Unlock full access

Für wen dieses Buch istWie dieses Buch organisiert istTeil I: Produkt und LieferungTeil II: TechnikTeil III: TeamsZusätzliche ÜberlegungenIn diesem Buch verwendete KonventionenCode-Beispiele verwendenO'Reilly Online LearningWie du uns kontaktierstDanksagungenVon David TanVon Ada LeungVon David Colls
ML: Versprechen und EnttäuschungenAnhaltender Optimismus in MLWarum ML-Projekte fehlschlagenGibt es einen besseren Weg? Wie Systemdenken und Lean helfen könnenDu kannst deine Probleme nicht "wegmogeln"Das Ganze sehen: Systemisches Denken für eine effektive ML-BereitstellungDie fünf Disziplinen, die für eine wirksame ML-Bereitstellung erforderlich sindFazit
ML ProduktentdeckungProduktmöglichkeiten entdeckenLeinwände zur Definition von ProduktmöglichkeitenTechniken zum schnellen Entwerfen, Bereitstellen und Testen von LösungenDer Anfang: Teams für den Erfolg rüstenInception: Was ist das und wie machen wir es?Wie man eine Inception plant und durchführtUser Stories: Die Bausteine eines MVPProduktlieferungRhythmus der LieferaktivitätenProdukt und Lieferung messenFazit
Was wäre, wenn unser Code überall und jedes Mal funktionieren würde?Ein besserer Weg: Auschecken und gehenGrundsätze für ein effektives AbhängigkeitsmanagementTools für das AbhängigkeitsmanagementEin Crashkurs über Docker und batectWas sind Container?Reduziere die Anzahl der beweglichen Teile in Docker mit batectFazit
Im Kontext: ML EntwicklungsworkflowIdentifizieren, was zu containerisieren istPraktische Übung: Reproduzierbare Entwicklungsumgebungen mit Hilfe von ContainernSicheres AbhängigkeitsmanagementUnnötige Abhängigkeiten entfernenÜberprüfungen auf Sicherheitslücken automatisierenFazit
Automatisierte Tests: Die Grundlage für schnelle und zuverlässige IterationMit dem Warum beginnen: Die Vorteile der TestautomatisierungWenn automatisierte Tests so wichtig sind, warum machen wir sie dann nicht?Bausteine für eine umfassende Teststrategie für ML-SystemeDas Was: Identifizierung von Komponenten für die PrüfungMerkmale eines guten Tests und zu vermeidende FallstrickeDas Wie: Aufbau eines TestsSoftware-TestsEinheitstestsAusbildung RauchtestsAPI-TestsTests nach dem EinsatzFazit
ModellversucheDie Notwendigkeit von ModellversuchenHerausforderungen beim Testen von ML-ModellenFitnessfunktionen für ML-ModelleTests der Modellmetriken (global und geschichtet)VerhaltenstestsGroße Sprachmodelle testen: Warum und wieWesentliche ergänzende Praktiken für ModellversucheFehleranalyse und VisualisierungVon der Produktion lernen, indem man den Datenerhebungskreislauf schließtOffen-geschlossener TestaufbauErkundungstestsMittel zur Verbesserung des ModellsDesign zur Minimierung der Kosten von FehlernÜberwachung in der ProduktionAlles unter einen Hut bringenNächste Schritte: Das Gelernte anwendenMache schrittweise VerbesserungenWert demonstrierenFazit
Die Vorteile (und die überraschende Einfachheit), unsere IDE zu kennenWarum sollten wir uns um IDEs kümmern?Wenn IDEs so wichtig sind, warum habe ich sie dann noch nicht kennengelernt?Der Plan: Produktiv werden in zwei StufenSchritt 1: Konfiguriere deine IDEStufe 2: Der Star der Show - TastaturkürzelDu hast es geschafft!Fazit

Technische Verschuldung: Der Sand in unseren GängenDurch Tests, Design und Refactoring ein gesundes Maß an Verschuldung erreichenRefactoring 101Wie man ein Notebook (oder eine problematische Codebasis) umstrukturiertDie Karte: Die Planung deiner ReiseDie Reise: Aufbruch auf die StraßeRückblick auf das ErreichteTechnisches Schuldenmanagement in der realen WeltTechniken des technischen SchuldenmanagementsEin positiver Blick auf die Verschuldung: Systems Health RatingsFazit: Gutes einfach machen
MLOps: Stärken und fehlende PuzzlestückeMLOps 101Gerüche: Hinweise darauf, dass wir etwas übersehen habenKontinuierliche Bereitstellung für maschinelles LernenVorteile von CD4MLEin Crashkurs über die Prinzipien der kontinuierlichen LieferungDie Bausteine von CD4ML: Ein produktionsreifes ML-System schaffenWie CD4ML ML Governance und verantwortungsvolle KI unterstütztFazit
Gemeinsame Herausforderungen für ML-TeamsEffektive Team-InternaVertrauen als grundlegender BausteinKommunikationVielfältige MitgliedschaftZielgerichteter, gemeinsamer FortschrittInterne Taktiken zur Bildung effektiver TeamsVerbesserter Fluss mit technischer EffektivitätRückkopplungsschleifenKognitive BelastungStrömungszustandFazit
Gemeinsame Herausforderungen für ML-OrganisationenEffektive Organisationen als Teams von TeamsDie Rolle des wertorientierten PortfoliomanagementsTeam Topologien ModellTeam-Topologien für ML-TeamsOrganisatorische Taktiken zur Bildung effektiver TeamsVorsätzliche FührungStrukturen und Systeme für effektive Teams schaffenStakeholder einbinden und organisatorische Ressourcen koordinierenPsychologische Sicherheit kultivierenMeister der kontinuierlichen VerbesserungMisserfolge als Lernchance begreifenDie Kultur aufbauen, die wir gerne hättenTeams zum Spielen bei der Arbeit ermutigenFazitEpilog: Danas Reise