Vorwort

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

Dies ist kein Buch darüber, wie maschinelles Lernen funktioniert. In diesem Buch geht es darum, wie du maschinelles Lernen für dich nutzen kannst.

Die Art und Weise, wie maschinelles Lernen (ML) funktioniert, ist faszinierend. Die Mathematik, die Algorithmen und die statistischen Erkenntnisse, die ML umgeben und unterstützen, sind an sich schon interessant, und was sie erreichen können, wenn sie auf die richtigen Daten angewendet werden, kann geradezu magisch sein. Aber in diesem Buch machen wir etwas anders. Wir konzentrieren uns nicht auf Algorithmen, sondern auf das ganze System. Kurz gesagt, wir sprechen über alles andere als die Algorithmen. Viele andere Werke behandeln die algorithmische Komponente von ML sehr detailliert, aber dieses Buch konzentriert sich bewusst auf den gesamten Lebenszyklus von ML und gibt ihm die Zeit und Aufmerksamkeit, die es sonst nicht bekommt.

Das bedeutet, dass wir über die chaotische, komplizierte und manchmal frustrierende Arbeit sprechen, die damit verbunden ist, Daten korrekt und verantwortungsbewusst zu verwalten, zuverlässige Modelle zu erstellen, einen reibungslosen (und umkehrbaren) Weg zur Produktion zu gewährleisten, Sicherheit bei der Aktualisierung zu gewährleisten und Bedenken hinsichtlich Kosten, Leistung, Geschäftszielen und Organisationsstruktur zu berücksichtigen. Wir versuchen, alles abzudecken, was dazu gehört, damit ML in deiner Organisation zuverlässig funktioniert .

Warum wir dieses Buch geschrieben haben

Wir glauben fest an den Hype, zumindest zum Teil: ML- und KI-Techniken verändern derzeit die Computerwelt und die Gesellschaft in immer schnellerem Tempo. Insofern hat der öffentliche Hype die private Realität in mancher Hinsicht noch nicht eingeholt.1 Aber wir sind auch geerdet und erfahren genug, um zu verstehen, wie lächerlich unzuverlässig und problematisch viele ML-Systeme in der realen Welt sind. Die Technologiepresse schreibt über die Raumfahrt, während die meisten Unternehmen immer noch Schwierigkeiten haben, sich aufrecht auf dem Fahrrad zu halten; wir stehen noch ganz am Anfang. Jetzt ist der perfekte Zeitpunkt, um aktiv darauf zu achten, was ML leisten kann und wie dein Unternehmen davon profitieren kann.

Wir wissen aber auch, dass viele Unternehmen Angst haben, ML zu verpassen und alles zu verpassen, was es für ihr Unternehmen (und für sie) tun könnte. Die gute Nachricht ist, dass es keinen Grund zur Panik gibt - es ist möglich, jetzt damit anzufangen und vernünftig und diszipliniert mit ML zu arbeiten, und zwar auf eine Art und Weise, die sowohl die Verpflichtung als auch die Belohnung erfolgreich ausgleicht. Die schlechte Nachricht - und der Grund, warum viele Unternehmen besorgt sind - ist, dass die Komplexitätskurve ziemlich steil ist. Sobald du die einfacheren Aspekte hinter dir gelassen hast, werden viele der Techniken und Technologien gerade erst erfunden, und es ist schwer, einen soliden, gepflasterten Weg zu finden.

Dieses Buch soll dir helfen, diese Komplexität zu bewältigen. Wir glauben, dass trotz der Unreife der Branche viel gewonnen ist, wenn man sich auf Einfachheit und Standardisierung konzentriert. Letztlich werden Unternehmen, die ML tief in ihr Geschäft integrieren, davon profitieren - und zwar erheblich.2-aber sie brauchen natürlich ein gewisses Maß an Raffinesse, um das zu erreichen. Eine einfachere, standardisierte Grundlage erleichtert die Entwicklung dieser Fähigkeit besser als Ad-hoc-Experimente oder - noch schlimmer - ein System, das zwar funktioniert, von dem aber niemand weiß, wie oder warum.

SRE als die Linse auf ML

Es gibt bereits eine Fülle von ML-Büchern, von denen viele versprechen, deine ML-Reise auf irgendeine Weise zu verbessern, oft mit dem Schwerpunkt, sie einfacher, schneller oder produktiver zu machen. Nur wenige sprechen jedoch darüber, wie man ML zuverlässiger machen kann - eine Eigenschaft, die oft übersehen oder unterschätzt wird.3 Darauf konzentrieren wir uns, denn wenn man ML aus diesem Blickwinkel betrachtet, hat man besondere Vorteile, die man auf andere Weise nicht bekommt. Die Realität sieht so aus, dass die bewährten Methoden für die Entwicklung von ML nicht ohne Weiteres auf die Herausforderungen einer guten ML-Entwicklung übertragen werden können. Wenn du diese Fragen stattdessen durch die Brille des Site Reliability Engineering (SRE) betrachtest - ganzheitlich, nachhaltig und mit Blick auf das Kundenerlebnis -, kannst du viel besser verstehen, wie du diese Herausforderungen meistern kannst.

Ein ähnliches Argument findest du in Building Secure and Reliable Systems von Heather Adkins et al. (O'Reilly, 2020). Ein unzuverlässiges System kann einem Angreifer oft den Zugang zum System verschaffen - Sicherheit und Zuverlässigkeit sind eng miteinander verbunden. Das eine gut zu machen, ist nicht leicht vom anderen zu trennen. In ähnlicher Weise erfordern ML-Systeme mit ihren überraschenden Verhaltensweisen und indirekten, aber tiefgreifenden Verbindungen einen ganzheitlicheren Ansatz, um zu entscheiden, wie Entwicklung, Einsatz, Produktionsbetrieb und langfristige Pflege integriert werden sollen.

Wir glauben, dass die Zuverlässigkeit von ML-Systemen das Wesentliche dessen ist, was Kunden, Geschäftsinhaber und Mitarbeiter wirklich von ihnen erwarten.

Zielpublikum

Wir schreiben für jeden, der ML in die reale Welt bringen und in seinem Unternehmen etwas bewegen will. Dementsprechend richtet sich dieses Buch an Datenwissenschaftler und ML-Ingenieure, an Softwareentwickler und Ingenieure für Standortzuverlässigkeit sowie an organisatorische Entscheidungsträger - auch an nicht-technische, obwohl Teile des Buches recht technisch sind :

Datenwissenschaftler und ML-Ingenieure
Wir werden untersuchen, wie die Daten, die Funktionen und die Modellarchitektur, die du verwendest, die Funktionsweise deines Modells verändern und wie handhabbar es auf lange Sicht ist, alles mit Blick auf die Modellgeschwindigkeit.
Softwareentwicklung zum Aufbau einer ML-Infrastruktur oder zur Integration von ML in bestehende Produkte
Wir befassen uns sowohl mit der Integration von ML in Systeme als auch mit der Entwicklung der ML-Infrastruktur. Ein besseres Verständnis des ML-Lebenszyklus hilft bei der Entwicklung von Funktionen, der Gestaltung von Anwendungsprogrammierschnittstellen (APIs) und der Unterstützung von Kunden.
Ingenieure für Standortzuverlässigkeit
Wir werden zeigen, wie ML-Systeme typischerweise versagen und wie man sie am besten aufbaut (und verwaltet), um diese Fehler zu vermeiden. Wir werden auch untersuchen, was es bedeutet, dass die Qualität von ML-Modellen nicht völlig ignoriert werden kann.
Organisationsleiter, die ihre bestehenden Produkte oder Dienstleistungen um ML erweitern wollen
Wir helfen dir zu verstehen, wie du ML am besten in deine bestehenden Produkte und Dienstleistungen integrieren kannst und welche Strukturen und Organisationsmuster dafür erforderlich sind. Bei ML-Entscheidungen ist es wichtig, dass du Risiken und Vorteile vernünftig abwägen kannst.
Jeder, der sich zu Recht Gedanken über die ethischen, rechtlichen und datenschutzrechtlichen Auswirkungen der Entwicklung und des Einsatzes von ML
Wir werden die Probleme klar darlegen und praktische Schritte aufzeigen, die du unternehmen kannst, um diese Probleme zu lösen, bevor sie deinen Nutzerinnen und Nutzern oder deinem Unternehmen Schaden zufügen.

Eine, vielleicht kontraintuitive, Anmerkung: Viele der Kapitel sind potenziell am wertvollsten für Menschen, deren Arbeit nicht das Thema des Kapitels ist. Kapitel 2 zum Beispiel kann sicherlich von Datenwissenschaftlern und ML-Ingenieuren gelesen werden. Aber es ist potenziell noch nützlicher für Infrastruktur-/Produktionsingenieure und Organisationsleiter. Für die erstgenannten Gruppen ist es natürlich nützlich, das, woran du bereits arbeitest, zu verfeinern, aber für die letzteren kann es eine frische und vollständige Einführung in einen Themenbereich sein, der vielleicht völlig neu ist.

Wie dieses Buch organisiert ist

Bevor wir im Detail über die Struktur des Buches sprechen, wollen wir dir einen Überblick darüber geben, wie wir die Themen ausgewählt haben und wie sie aufgebaut sind. Es ist vielleicht nicht das, was du erwartet hast.

Unser Ansatz

Ingenieure müssen bestimmte Ansätze und Techniken anwenden, damit ML-Systeme gut funktionieren. Jeder dieser Ansätze unterliegt jedoch einer enormen Anzahl von Entscheidungen, sobald er in einem bestimmten Unternehmen und für einen bestimmten Zweck eingesetzt wird. Es ist nicht möglich, in diesem Buch alle oder auch nur die meisten Implementierungsentscheidungen zu behandeln, mit denen die Leser/innen im Allgemeinen konfrontiert werden. Auch konkrete Empfehlungen für bestimmte Software werden wir nicht in den Vordergrund stellen. Wir hoffen, dass wir durch diese Trennung vom Alltag unsere Ideen klarer zum Ausdruck bringen können, aber für diese Art von Buch ist es an sich schon von Vorteil, plattformunabhängig zu bleiben.

Lass uns stricken!

Obwohl wir von Zeit zu Zeit auch andere Beispiele verwenden, veranschaulichen wir den Inhalt des Buches hauptsächlich anhand eines hypothetischen Online-Shops - eines Anbieters von Textilzubehör über eine Website namens yarnit.ai. Dieses Konzept wird im gesamten Buch detailliert durchgespielt, um zu zeigen, wie sich Entscheidungen in einer Phase (z. B. Datenerfassung oder Normalisierung) auf den Rest des Stacks, das Geschäft und so weiter auswirken.

Dieser Laden ist ein einziges, relativ einfaches Geschäft (Strick- und Häkelprodukte kaufen, sie auf eine Website stellen und sie an Kunden vermarkten und verkaufen). Damit wird nicht die ganze Komplexität der Branchen erfasst, in denen ML in der realen Welt eingesetzt wird, z. B. in der Produktion, bei selbstfahrenden Autos, bei der Vermarktung von Immobilien und in der Medizintechnik. Unser Beispiel bietet jedoch genügend Einblicke (und schafft einen ausreichenden Rahmen), so dass wir der Meinung sind, dass die Komplexität der Umsetzung, mit der wir uns hier beschäftigen, auch auf andere Bereiche übertragbar ist. (Mit anderen Worten: Die Einschränkungen unseres Beispiels sind es unserer Meinung nach wert).

Um das Beispiel zu vertiefen, betrachten wir den Fall eines Einzelhändlers, der Produkte von einer Vielzahl von Lieferanten bezieht und sie weltweit über eine Website verkauft. Das Geschäft besteht darin, einen Kundenstamm zu gewinnen und zu halten, der die Produkte zu einer angemessenen Marge kauft, um die Kosten für den Betrieb der Website zu decken und einen Gewinn zu erzielen. In mancher Hinsicht ist es ein recht einfaches Geschäft, aber die Komplexität wird sich fast sofort zeigen, wenn wir versuchen, ML hinzuzufügen. Im Großen und Ganzen sind wir daran interessiert, den Umsatz zu steigern, das Kundenerlebnis zu verbessern, die Kosten zu senken, die Gewinnspannen zu erhöhen und unser gesamtes Geschäft effizienter zu gestalten.

Auch wenn die Einführung von ML-Technologien in den Geschäftsbetrieb zunächst in der Regel auf enge und konkrete Ziele wie Effizienz ausgerichtet ist, ist das nicht das Ziel. ML hat das Potenzial, das Geschäft grundlegend positiv oder negativ zu verändern, indem es die Art und Weise verändert, wie Produkte entwickelt und ausgewählt, Kunden identifiziert und bedient und Geschäftsmöglichkeiten aufgedeckt werden. Unternehmen, die ML erfolgreich einsetzen, werden langfristig besser abschneiden als ihre Konkurrenten. Eine kürzlich von McKinsey durchgeführte Umfrage unter mehr als 2.000 Führungskräften ergab, dass 63 % der Führungskräfte ML/AI-Projekte hatten, die das Ergebnis verbesserten, auch wenn die Unternehmen oft nicht genau sagen, wie viel. Kurzfristig muss die Einführung von ML/AI jedoch mit konkreten, verständlichen Zielen wie "mehr Konversionen", d.h. mehr Verkäufe, beginnen.

Unsere Website yarnit.ai verfügt über viele Datenquellen, um diese ersten, konkreten Verbesserungen umzusetzen, und über viele potenzielle Anwendungen für ML. Zu Beginn werden wir einfache kundenorientierte Beispiele wie Empfehlungen (andere Produkte, die einem Kunden gefallen könnten) und Vorhersagen (z. B. welche Produkte sich am ehesten an einen bestimmten Kunden verkaufen lassen) betrachten. Dann gehen wir zu den Anwendungen hinter den Kulissen über, bei denen ML zur Optimierung ganzer Geschäftsprozesse eingesetzt werden kann. Konkret werden wir einige Beispiele für Bereiche durchgehen, in denen ML unsere Abläufe verbessern kann, wobei wir natürlich nicht auf diese Anforderungen beschränkt sind:

Website Suchergebnisse
Die Kunden sollten die besten Platzierungen für ihre Suchanfragen erhalten, damit ihnen die Produkte angezeigt werden, die am besten zu diesen Begriffen passen und an deren Kauf sie am meisten interessiert sind.
Entdeckung und Anregung
Kunden sollten die Möglichkeit haben, Produkte in Betracht zu ziehen, die mit den Produkten, die sie sich ansehen oder kaufen, verwandt sind. Wir können Produkte finden, die eine hohe Wahrscheinlichkeit haben, nützlich zu sein und deshalb gekauft zu werden.
Dynamische Preisgestaltung
Wir sollten Produkte identifizieren, die sich nicht so schnell verkaufen, wie wir es uns wünschen, und ihre Preise senken, um Platz im Lager freizumachen. Wenn besonders beliebte Produkte knapp werden, sollten wir ihren Preis vorübergehend erhöhen, um den Verkauf zu verlangsamen und mehr Geld zu verdienen, während wir möglicherweise auch mehr Waren bestellen.
Abbruch des Warenkorbs
Was veranlasst Kunden dazu, Artikel in den Warenkorb zu legen, den Kauf aber nicht abzuschließen? Können wir das vorhersagen? Können wir lernen, wie wir mit einer Erinnerung, einem rechtzeitigen Rabatt oder anderen Funktionen eingreifen können, um den Kaufabschluss zu verbessern ?
Automatisierung von Inventar und Bestellungen
Wir könnten ML nutzen, um vorherzusagen, wie wir Ersatzprodukte bei unseren Lieferanten bestellen sollen, basierend auf einer Vorhersage der zukünftigen Verkäufe und der vorhergesagten Lieferverzögerungen.
Vertrauen und Sicherheit
Dies ist ein branchenweiter Begriff für die Erkennung von wahrscheinlich betrügerischem Verhalten - in diesem Fall versuchte Käufe - und die Erhöhung der Überprüfungsschritte bei Bedarf. Manuelle Überprüfungen und Heuristiken lassen sich nicht skalieren, also ist es sinnvoll, ML zur Hilfe zu nehmen.
Verbesserung der Marge
Wir können mit verschiedenen Techniken versuchen, den Gewinn, den wir bei jedem Verkauf erzielen, zu verbessern - von der Empfehlung zusätzlicher Produkte mit höherer Gewinnspanne, während die Kunden einkaufen, bis hin zu Marketingkampagnen, um mehr Nachfrage nach den Produkten mit der höchsten Gewinnspanne zu erzeugen.

Das sind nur ein paar offensichtliche Beispiele dafür, wie ML getestet werden kann, um herauszufinden, ob es einen Mehrwert bietet, der die zusätzliche Komplexität und die Kosten wert ist. Um es klar zu sagen: ML ist nicht immer erfolgreich, und selbst wenn es erfolgreich ist, ist es nicht immer die Mühe wert. Der Aufbau einer komplexen Pipeline mit anspruchsvollen Datenformaten, umfangreicher Technik und professionellen Produktionsabläufen ist ein kostspieliges Unterfangen, das einen spürbaren und eindeutigen Mehrwert für die Kunden und das Unternehmen bringen muss. Auch die Wartungskosten sind beträchtlich. Der ganze Aufwand könnte sich für dein Unternehmen nicht lohnen. Dieses Buch hilft dir zu verstehen, ob es das ist.

Unternehmen wie unser Garnladen sollten ML unvoreingenommen angehen, aber auch bereit sein, zu experimentieren, zu messen und die Anwendungen möglicherweise zu streichen, wenn sie nicht funktionieren. Deshalb ist es wichtig, die Erfolgswahrscheinlichkeit abzuschätzen, bevor unabänderliche Änderungen an der Website-Infrastruktur des Ladens vorgenommen werden.

Der Vollständigkeit halber müssen wir sagen, dass dies natürlich nur ein einziges Beispiel für die Art von Organisation und Anwendung ist, die ML nutzen könnte.

Über die Autoren

Die Autoren dieses Buches verfügen gemeinsam über jahrzehntelange Erfahrung im Aufbau und Betrieb verschiedener ML-Systeme in der Produktion. Wir haben an der Produktion großer Ad-Targeting-Systeme mitgewirkt, große Such- und Entdeckungssysteme gebaut, bahnbrechende Forschungsergebnisse über ML in der Produktion veröffentlicht und die kritischen Dateneingabe-, Verarbeitungs- und Speichersysteme, die sie alle umgeben, entwickelt und betrieben. Wir alle hatten die (unglückliche) Gelegenheit, die meisten der spektakulären und faszinierenden Arten, wie diese Systeme zusammenbrechen können, aus erster Hand zu erleben. Aber die gute Nachricht ist, dass wir gelernt haben, wie man Systeme baut, die gegen die häufigsten Ausfälle von ML-Systemen gewappnet sind - technisch und organisatorisch.

In diesem Buch verwendete Konventionen

In diesem Buch werden die folgenden typografischen Konventionen verwendet:

Kursiv

Weist auf neue Begriffe, URLs, E-Mail-Adressen, Dateinamen und Dateierweiterungen hin.

Constant width

Wird für Programmlistings sowie innerhalb von Absätzen verwendet, um auf Programmelemente wie Variablen- oder Funktionsnamen, Datenbanken, Datentypen, Umgebungsvariablen, Anweisungen und Schlüsselwörter hinzuweisen.

Constant width bold

Zeigt Befehle oder anderen Text an, der vom Benutzer wortwörtlich eingetippt werden sollte.

Constant width italic

Zeigt Text an, der durch vom Benutzer eingegebene Werte oder durch kontextabhängige Werte ersetzt werden soll.

Tipp

Dieses Element steht für einen Tipp oder eine Anregung.

Hinweis

Dieses Element steht für einen allgemeinen Hinweis.

Warnung

Dieses Element weist auf eine Warnung oder einen Warnhinweis hin.

O'Reilly Online Learning

Hinweis

Seit mehr als 40 Jahren bietet O'Reilly Media Schulungen, Wissen und Einblicke in Technologie und Wirtschaft, um Unternehmen zum Erfolg zu verhelfen.

Unser einzigartiges Netzwerk von Experten und Innovatoren teilt sein Wissen und seine Erfahrung durch Bücher, Artikel und unsere Online-Lernplattform. Die Online-Lernplattform von O'Reilly bietet dir On-Demand-Zugang zu Live-Trainingskursen, ausführlichen Lernpfaden, interaktiven Programmierumgebungen und einer umfangreichen Text- und Videosammlung von O'Reilly und über 200 anderen Verlagen. Weitere Informationen erhältst du unter https://oreilly.com.

Wie du uns kontaktierst

Bitte richte Kommentare und Fragen zu diesem Buch an den Verlag:

  • O'Reilly Media, Inc.
  • 1005 Gravenstein Highway Nord
  • Sebastopol, CA 95472
  • 800-998-9938 (in den Vereinigten Staaten oder Kanada)
  • 707-829-0515 (international oder lokal)
  • 707-829-0104 (Fax)

Wir haben eine Webseite für dieses Buch, auf der wir Errata, Beispiele und zusätzliche Informationen auflisten. Du kannst diese Seite unter https://oreil.ly/reliable-machine-learning-1e aufrufen .

Schreib eine E-Mail an , um Kommentare oder technische Fragen zu diesem Buch zu stellen.

Neuigkeiten und Informationen über unsere Bücher und Kurse findest du unter https://oreilly.com.

Finde uns auf LinkedIn: https://linkedin.com/company/oreilly-media

Folge uns auf Twitter: https://twitter.com/oreillymedia

Schau uns auf YouTube: https://www.youtube.com/oreillymedia

Danksagungen

Die Autoren möchten die Gelegenheit nutzen, um den folgenden Personen zu danken.

Wir möchten uns gemeinsam bei den folgenden Personen bedanken, die zu diesem Buch beigetragen haben: Ely M. Spears, der uns unschätzbares und detailliertes technisches und strukturelles Feedback zu vielen Kapiteln dieses Werks gegeben hat - vielen Dank, dass du uns geholfen hast, besser zu werden. Robbie Sedgewick, der uns ein ähnliches Feedback gab und uns ermutigte, wenn wir das Gefühl hatten, dass wir Dinge schreiben würden, die bei der breiten Öffentlichkeit keinen Anklang finden würden. James Blessing, der eine Reihe von Kapiteln schnell durchgesehen hat und dessen nützliches Feedback uns geholfen hat, uns zu verbessern. Wir profitierten außerdem von den aufmerksamen und sorgfältigen Rezensionen von Andrew Ferlitsch, Ben Hutchinson, Benjamin Sloss, Brian Spiering, Chenyu Zhao, Christina Greer, Christopher Heiser, Daniel H. Papasian, David J. Groom, Diego M. Oppenheimer, Goku Mohandas, Herve Quiroz, Jeremy Kubica, Julian Grady, Konstantinos (Gus) Katsiapis, Lynn He, Michael O'Reilly, Parker Barnes, Robert Crowe, Salem Haykal, Shreya Shankar, Tina H. Wong, Todd Phillips, und Vinsensius B. Vega S. Naryanto. Schließlich möchten wir uns auch bei unserem Team bei O'Reilly bedanken: John Devins, Mike Loukides, Angela Rufino, Ashley Stussy, Kristen Brown und Sharon Wilkey.

Cathy Chen

Danke an meinen Partner Morgan, der mich liebevoll unterstützt hat, wenn ich an Wochenenden oder abends an dem Buch arbeiten musste. Ich gebe Todd die Schuld dafür, dass ich in dieses Projekt hineingezogen wurde, aber ich danke ihm nicht nur dafür, dass er dieses Projekt so gut leitet, sondern auch dafür, dass er mir einen großartigen Arbeitsplatz zur Verfügung stellt. Vielen Dank an alle Koautoren und unsere fantastische Gruppe von Freiwilligen, die dieses Buch durchgesehen, bearbeitet, kommentiert und uns generell geholfen haben, es zu verbessern.

Niall Richard Murphy

Ich widme dieses Buch denjenigen, die in der Zeit, in der es geschrieben wurde, gestorben sind. Während dieses Buch geschrieben wurde - und es fällt mir immer noch schwer, das zu glauben, selbst wenn ich es hier niederschreibe - erlebten wir alle eine globale Epidemie, einen Krieg der Wahl in Europa und zahlreiche politische, persönliche und berufliche Ereignisse, und obwohl ich mir oft etwas anderes gewünscht habe, scheint dieser Schneesturm nicht nachzulassen. Deshalb möchte ich an dieser Stelle sowohl an meine Stiefgroßmutter väterlicherseits Winifred erinnern, die 2020 Opfer von COVID-19 wurde, als auch an meine Tante Esther Gray, die 2021 in Belfast verstorben ist und die wir sehr vermissen. Von denjenigen, die noch unter uns weilen, möchte ich meiner Mutter Kay Murphy danken, der besten Mutter, die ich je hatte, und einem leuchtenden moralischen Licht in dunklen Zeiten, ebenso wie meiner Frau Léan und meinen Kindern Oisín und Fiachra. Seit meiner letzten Danksagung ist Oisín nationaler U19-Schachmeister geworden, und Fiachra hat seine Kunst in einem anderen Buch vorgestellt, und ihr Vater wird nie aufhören, stolz auf sie zu sein. Schließlich wäre ich nachlässig, wenn ich nicht auch Todd Underwood selbst dafür danken würde, dass er in ähnlich schwierigen Zeiten immer mit guter Laune geführt hat. Dieses Projekt verdankt seine Existenz vor allem ihm. Ich habe viel gelernt und festgestellt, dass ich mehr weiß, als ich dachte, aber vieles davon habe ich von ihm gelernt.

Kranti Parisa

Ich widme dieses Buch all jenen, die in der COVID-19-Krise an vorderster Front arbeiten, unseren Helden. Ihr immenser Einsatz für ihre Arbeit und die Menschheit ist wirklich inspirierend. Ich möchte allen Koautoren und Mitwirkenden für ihr außergewöhnliches Engagement und ihre Geduld danken. Ein besonderer Dank geht an Todd Underwood - du bist eine große Inspiration und die Kraft hinter diesem Buch. Ich möchte meinem Freund Dave Rensin dafür danken, dass er mir diese großartige Chance eröffnet hat und mich motiviert hat, mein Wissen und meine Erfahrungen beim Aufbau von ML-Systemen in großem Maßstab mit dem Rest der Welt zu teilen. Schließlich danke ich meinen Eltern, insbesondere meiner Mutter Nagarani, meiner Frau Pallavi, meiner kleinen Prinzessin Sree und meinen Freunden für ihre ständige Liebe und Unterstützung.

D. Sculley

Ich möchte mich bei meinen bemerkenswerten Koautoren und den vielen Kollegen bedanken, die mir so viel beigebracht haben - und die mit mir durch alle Produktionsbrände und haarigen Probleme auf dem Weg gegangen sind. Meine Frau Jessica und meine Tochter Sofia bleiben die Inspiration für alles, was ich tue.

Todd Underwood

Ich widme dieses Buch meiner Familie, die entweder von meiner Abwesenheit während des Schreibens profitiert oder dafür bezahlt hat. Beth, Ágatha und Beatrix: Ich glaube nicht, dass ihr es lesen werdet, aber ich hoffe, ihr seid froh, dass es endlich fertig ist. Ich widme es auch meinem Bruder Adam, der mitten in einer Pandemie gestorben ist und den ich nicht so oft sehen konnte, wie ich es mir gewünscht hätte. Und schließlich meinen Mitautoren, die an diesem Projekt festgehalten haben, als es so aussah, als würde es nie fertig werden. Ich hoffe, wir haben etwas Sinnvolles geschaffen - etwas Nützliches und etwas, auf das wir stolz sein können.

1 Siehe "27 Incredible Examples of AI and Machine Learning in Practice" von Bernard Marr für Beispiele, die dich überraschen könnten. Dieser Forbes-Artikel stammt aus dem Jahr 2018 und ist in Bezug auf maschinelles Lernen schon lange Geschichte, und die Branche hat sich in vielen Branchen und Anwendungen weiterentwickelt. Es gibt gleichzeitig einen völlig ungerechtfertigten ML/AI-Hype und viel mehr reale, funktionierende Anwendungen in mehr Branchen, als den meisten Menschen bewusst ist.

2 Siehe den Google Cloud-Bericht "Business Impacts of Machine Learning". Dieser Auszug ist vielleicht der wichtigste Grund: "Standard-ML-Projekte haben in der Regel einen ROI vom Zwei- bis Fünffachen der Investition im ersten Jahr der Implementierung."

3 Oder anders ausgedrückt: Es gibt viel Material darüber, wie man ein ML-Modell baut, aber nicht viel darüber, wie man ein ML-System baut. Ein Modell kann auch auf andere Weise unzuverlässig sein als ein System.

Get Zuverlässiges maschinelles Lernen now with the O’Reilly learning platform.

O’Reilly members experience books, live events, courses curated by job role, and more from O’Reilly and nearly 200 top publishers.

Start your free trial