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 10. MLOps mit Rust implementieren

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

Die betriebliche Effizienz muss das Herzstück eines jeden Technologiesystems sein. MLOps baut auf DevOps auf, das auf dem Konzept von Kaizen, dem japanischen Wort für kontinuierliche Verbesserung, beruht. Ohne kontinuierliche Verbesserung gäbe es kein DevOps und somit auch kein MLOps.

Im Zentrum der kontinuierlichen Verbesserung der Abläufe steht eine einfache Frage: "Können wir die betriebliche Leistung - von der Ausbildung und den Schlussfolgerungen bis zur Verpackung und Auslieferung - um das Zehnfache oder mehr verbessern?" Wenn die Antwort "Ja" lautet, wie es bei vielen Unternehmen der Fall sein wird, die Python für Data Science einsetzen, sollte die nächste Frage lauten: "Warum tun wir es nicht?"

Jahrzehntelang gab es für Unternehmen nur wenige andere Optionen als reines C, C++ oder C# und Python für maschinelle Lernlösungen. C++ mag zwar leistungsfähiger sein, aber Python ist in der Regel einfacher zu erlernen, zu implementieren und zu warten, weshalb sich Python in der Datenwissenschaft durchgesetzt hat. Die schwierige Wahl zwischen dem leistungsfähigen, aber komplexen C++ und dem leicht zu erlernenden, aber vergleichsweise langsamen Python führt letztlich dazu, dass sich viele Unternehmen für Python entscheiden.

Aber es gibt noch einen anderen Weg. Rust gehört zu den leistungsfähigsten und energieeffizientesten ...

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