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

Vorwort

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

Als MLOps-Veteranen haben wir oft erlebt, wie sich das folgende Szenario in Unternehmen abspielt, die ihre Data Science-Praktiken aufbauen.

Wenn Unternehmen ihre Data-Science-Praxis aufbauten, begannen sie traditionell mit der Erstellung eines Modells im Labor, mit einem kleinen Team, das oft an seinen Laptops und mit einem kleinen, manuell extrahierten Datensatz arbeitete. Sie entwickelten das Modell in betrieblicher Isolation, und die Ergebnisse wurden manuell in die Anwendungen integriert. Sobald das Modell fertig war und genaue Vorhersagen machen konnte, begann der eigentliche Kampf, es in die Produktion zu bringen, um einen echten Geschäftswert zu schaffen.

Zu diesem Zeitpunkt stand das Unternehmen vor Herausforderungen wie der Aufnahme von Produktionsdaten, dem Training in großem Maßstab, der Bereitstellung in Echtzeit und der Überwachung/Verwaltung der Modelle in der Produktion. Die Überwindung dieser Hürden dauerte oft Monate und verursachte enorme Kosten in Form von Ressourcen und verlorener Zeit.

Die KI-Pipeline ist abgeschottet, die Teams arbeiten isoliert und mit vielen verschiedenen Tools und Frameworks, die nicht unbedingt gut miteinander harmonieren. Dies führt zu einer enormen Verschwendung von Ressourcen und dazu, dass Unternehmen ihre Investitionen in Data Science nicht optimal nutzen können. Laut Gartner bleiben 85 % der ...

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