Maschinelle Lernsysteme entwerfen

Kapitel 10. Infrastruktur und Hilfsmittel für MLOps

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: [e-mail]

In den Kapiteln 4 bis 6 haben wir die Logik für die Entwicklung von ML-Systemen besprochen. In den Kapiteln 7 bis 9 haben wir die Überlegungen zum Einsatz, zur Überwachung und zur ständigen Aktualisierung eines ML-Systems erörtert. Bis jetzt sind wir davon ausgegangen, dass ML-Praktiker/innen Zugang zu allen Werkzeugen und der Infrastruktur haben, die sie brauchen, um diese Logik zu implementieren und diese Überlegungen anzustellen. Diese Annahme ist jedoch weit davon entfernt, wahr zu sein. Viele Datenwissenschaftler/innen haben mir gesagt, dass sie wissen, was sie für ihre ML-Systeme tun müssen, aber sie können es nicht, weil ihre Infrastruktur nicht so eingerichtet ist, dass sie es tun können.

ML-Systeme sind komplex. Je komplexer ein System ist, desto mehr kann es von einer guten Infrastruktur profitieren. Wenn die Infrastruktur richtig eingerichtet ist, kann sie helfen, Prozesse zu automatisieren und den Bedarf an Fachwissen und Entwicklungszeit zu reduzieren. Das wiederum kann die Entwicklung und Bereitstellung von ML-Anwendungen beschleunigen, die Fehleranfälligkeit verringern und neue Anwendungsfälle ermöglichen. Eine falsch eingerichtete Infrastruktur ist jedoch mühsam in der Anwendung und teuer im Austausch. In diesem Kapitel erfahren wir, wie man die Infrastruktur für ML-Systeme richtig ...