Skip to Main Content
Implementierung von MLOps im Unternehmen
book

Implementierung von MLOps im Unternehmen

by Yaron Haviv, Noah Gift
September 2024
Intermediate to advanced content levelIntermediate to advanced
380 pages
10h 22m
German
O'Reilly Media, Inc.
Book available
Content preview from Implementierung von MLOps im Unternehmen

Kapitel 2. Die Etappen des MLOps

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: translation-feedback@oreilly.com

Bei MLOps geht es nicht um die Verfolgung lokaler Experimente und nicht darum, ein ML-Modell hinter einem API-Endpunkt zu platzieren. Stattdessen geht es bei MLOps darum, eine automatisierte Umgebung und Prozesse für die kontinuierliche Übergabe von ML-Projekten an die Produktion aufzubauen.

MLOps besteht aus vier Hauptkomponenten (und ist nicht auf die Modellschulung beschränkt):

  • Datenerhebung und -aufbereitung

  • Modellentwicklung und Schulung

  • Bereitstellung von ML-Diensten

  • Kontinuierliches Feedback und Überwachung

In diesem Kapitel werden diese Komponenten im Detail untersucht.

Erste Schritte

Beginne mit dem Ziel vor Augen. Der erste Schritt in jedem ML-Projekt ist es, sich zu artikulieren:

  • Das Problem, das mit ML gelöst werden muss.

  • Was du vorhersagen willst.

  • Wie wir aus der Antwort einen geschäftlichen Nutzen ziehen. Beispiele für den von uns geforderten Geschäftswert sind die Verringerung von Betrug, die Steigerung des Umsatzes durch die Gewinnung neuer Kunden, die Senkung der Betriebskosten durch die Automatisierung verschiedener manueller Prozesse und so weiter.

Wenn du das Ziel definiert hast, solltest du dich nicht gleich in die Umsetzung stürzen. Bedenke zunächst Folgendes:

  • Welche historischen und betrieblichen Daten können gesammelt und sowohl in der Ausbildung als auch in den Service-Pipelines ...

Become an O’Reilly member and get unlimited access to this title plus top books and audiobooks from O’Reilly and nearly 200 top publishers, thousands of courses curated by job role, 150+ live events each month,
and much more.
Start your free trial

You might also like

Praktische Auflösung von Entitäten

Praktische Auflösung von Entitäten

Michael Shearer
Maschinelles Lernen für hochriskante Anwendungen

Maschinelles Lernen für hochriskante Anwendungen

Patrick Hall, James Curtis, Parul Pandey
Zuverlässiges maschinelles Lernen

Zuverlässiges maschinelles Lernen

Cathy Chen, Niall Richard Murphy, Kranti Parisa, D. Sculley, Todd Underwood
Praktisches maschinelles Lernen für Computer Vision

Praktisches maschinelles Lernen für Computer Vision

Valliappa Lakshmanan, Martin Görner, Ryan Gillard

Publisher Resources

ISBN: 9781098184735Supplemental Content