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 5. Modelle für die Produktion entwickeln

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

Die Entwicklung von ML-Modellen ist nicht mehr nur auf Versuchslabore und Forschungsarbeiten beschränkt. Es geht um reale Anwendungen, und das bedeutet Produktion. Deshalb ist die Entwicklung leistungsfähiger Modelle das Herzstück der Entwicklung von Modellen für die Produktion.

Eine produktionsorientierte Denkweise stellt sicher, dass die Modelle tatsächlich in die Produktion gelangen und reale Geschäftsfälle beantworten. Andernfalls bleiben die Modelle in der ML-Pipeline aufgrund mangelnder Zusammenarbeit zwischen den Teams, technologischer Diskrepanzen oder anderer Reibungspunkte stecken.

In diesem Kapitel geht es darum, die bestmöglichen Modelle zu erstellen. Es beschreibt alle Schritte und Prozesse zur Implementierung und Ausführung von Modellen in der gesamten ML-Pipeline vor der Produktion. Dazu gehören das Ausführen, Verfolgen und Vergleichen von ML-Aufträgen, Automatisierungen, Training und ML im Maßstab, Testen, Ressourcenmanagement und vieles mehr. Es werden verschiedene Methoden, Werkzeuge und Ansätze beschrieben und Codebeispiele angeführt, denen du folgen kannst.

Wenn du die Schritte befolgst und die Übungen am Ende des Kapitels ausprobierst, solltest du dir über die gesamte MLOps-Pipeline im Klaren sein und darüber, wie deine Arbeit zusammen mit den anderen Schritten, die du oder andere ...

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