Ganz gleich, ob Sie Data Scientist, Softwareentwickler, Site Reliability Engineer oder Produktmanager sind: Dieser praktische Leitfaden bietet grundlegende Einblicke in die Einrichtung und den zuverlässigen, effektiven und verantwortungsbewussten Betrieb von Machine-Learning-Systemen in jeder Organisation. Erfahren Sie, wie Sie eine robuste Modellüberwachung in der Produktion implementieren und ein leistungsstarkes Modellentwicklungsteam aufbauen können. Durch die Integration einer SRE-Denkweise in ML-Praktiken stattet Sie dieses Buch mit dem Wissen aus, Entscheidungsprozesse zu optimieren, komplexe Probleme zu lösen und das Kundenverhalten zu verstehen, um sicherzustellen, dass Ihre täglichen ML-Aufgaben mit Ihren strategischen Zielen übereinstimmen.

Warum Sie das lesen sollten

• Verstehen Sie die grundlegende Funktionsweise und die Abhängigkeiten von Machine-Learning-Systemen.
• Erfassen Sie konzeptionelle Frameworks für effektive ML-"Loops" und deren betriebliche Auswirkungen.
• Erfahren Sie, wie Sie Ihre ML-Systeme durch effektive Produktion leicht überwachbar, einsetzbar und bedienbar machen.
• Entdecken Sie Strategien zur Minderung der Fehlersuchschwierigkeiten, die ML-Systemen eigen sind, und fördern Sie eine bessere Kommunikation zwischen ML-, Produkt- und Produktionsteams.

Über die Autoren

Die Autoren, Cathy Chen, Kranti Parisa, Niall Richard Murphy, D. Sculley und Todd Underwood, sowie die Gastautoren, sind ausgewiesene Ingenieure mit umfassender Erfahrung in Machine Learning und Site Reliability Engineering. Ihre geballte Expertise erstreckt sich auf führende Rollen in großen Technologieunternehmen, wo sie maßgeblich am Aufbau und der Skalierung zuverlässiger ML-Systeme beteiligt waren. Dieses Buch destilliert ihr praktisches Wissen und ihre Best Practices und bietet den Lesern eine einzigartige Mischung aus theoretischem Verständnis und umsetzbaren Strategien für die Implementierung robuster und verantwortungsbewusster Machine-Learning-Lösungen in realen Umgebungen.