Praktische MLOps

Kapitel 12. Machine Learning Engineeringund MLOps Fallstudien

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

Von Noah Gift

Nachdem Professor Loewi bei seinem Eingriff begleitet hatte, verbrachte ich mehr Zeit in seiner Nachsorge, während der er mich weiter belehrte. Er signierte mein Exemplar seines kleinen 62-seitigen Buches. Über seiner Unterschrift schrieb er mit zittriger Hand: "Fakten ohne Theorie sind Chaos, Theorie ohne Fakten ist Phantasie.

Dr. Joseph Bogen

Eines der grundlegenden Probleme mit Technologie in der realen Welt ist, dass es schwierig ist, zu wissen, auf wen man hören soll, wenn man Ratschläge braucht. Vor allem ein multidisziplinäres Thema wie maschinelles Lernen ist eine rätselhafte Herausforderung. Wie findet man die richtige Mischung aus praktischer Erfahrung, aktuellen und relevanten Kenntnissen und der Fähigkeit, sie zu erklären? Dieses "Einhorn" an Lehrfähigkeiten ist das, was dieses Kapitel anstrebt. Das Ziel ist es, diese relevanten Aspekte in umsetzbares Wissen für deine Projekte zum maschinellen Lernen zu destillieren, wie in Abbildung 12-1 dargestellt.

Andere Bereiche leiden unter dem Fluch der unbegrenzten Komplexität, die mit einem multidisziplinären Gebiet einhergeht. Beispiele dafür sind die Ernährungswissenschaft, die Klimawissenschaft und die gemischten Kampfkünste. Ein gemeinsamer Nenner ist jedoch das Konzept eines offenen Systems im Gegensatz zu einem ...