Zuverlässiges maschinelles Lernen

Kapitel 3. Grundlegende Einführung in Modelle

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

In diesem Buch geht es hauptsächlich um die Verwaltung von ML-Systemen und ML-Pipelines auf Produktionsebene. Diese Arbeit unterscheidet sich deutlich von der Arbeit vieler Datenwissenschaftler und ML-Forscher, die ihre Tage damit verbringen, neue Vorhersagemodelle und -methoden zu entwickeln, um einen weiteren Prozentpunkt an Genauigkeit herauszuholen. In diesem Buch konzentrieren wir uns stattdessen darauf, sicherzustellen, dass ein System, das ein ML-Modell enthält, ein konsistentes, robustes und zuverlässiges Verhalten auf Systemebene aufweist. In gewisser Weise ist dieses Verhalten auf Systemebene unabhängig von der Art des Modells, der Qualität des Modells oder anderen rein modellbezogenen Überlegungen. In bestimmten Schlüsselsituationen ist es jedoch nicht unabhängig von diesen Überlegungen. Unser Ziel in diesem Kapitel ist es, dir genug Hintergrundwissen zu vermitteln, um zu verstehen, in welcher Situation du dich befindest, wenn in deinem Produktionssystem die Alarme losgehen oder die Pager losgehen.

Wir möchten gleich zu Beginn darauf hinweisen, dass es nicht unser Ziel ist, dir alles darüber beizubringen, wie man ML-Modelle erstellt, welche Modelle für welche Probleme geeignet sind oder wie man ein Datenwissenschaftler wird. Das wäre ein Buch (oder mehr) für sich, und viele ausgezeichnete ...