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 7. Aufbau eines produktionsreifenMLOps-Projekts von A bis Z

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

Dieses Kapitel enthält ein Beispiel für ein ML-Projekt mit all seinen Komponenten und den MLOps-Attributen, die für den Produktionseinsatz erforderlich sind. Es folgt den in Kapitel 3 vorgestellten Verfahren. Die Beispielanwendungen dienen der Vorhersage und Vorbeugung von Betrug bei Kredittransaktionen, indem sie Benutzer- und Transaktionsmerkmale berechnen und diese in ein Klassifizierungsmodell einspeisen, das feststellt, ob es sich um eine rechtmäßige Transaktion handelt.

Alle in diesem Kapitel vorgestellten Codebeispiele sind in Git gespeichert.

Die Projektdurchführung besteht aus den folgenden Schritten:

  1. Erkunden und Analysieren der Daten (EDA)

  2. Aufbau der Pipeline für die Datenerfassung und -aufbereitung

  3. Aufbau der Pipeline für die Modellschulung und -validierung

  4. Entwicklung der Application-Serving-Pipeline (Abfangen von Anfragen, Verarbeitung von Daten, Inferenz usw.)

  5. Überwachung der Daten und des Modells (Drift und mehr)

  6. Kontinuierlicher Betrieb und CI/CD

Für die Datenaufbereitung gibt es zwei Möglichkeiten: die Verwendung von Standard-Python-Paketen und die Verwendung eines Feature-Stores.

Betrugsprävention ist eine Herausforderung, denn sie erfordert die Verarbeitung von Rohtransaktionen und Ereignissen in Echtzeit und die Fähigkeit, schnell zu reagieren ...

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