Reliable Machine Learning: Applying SRE Principles to ML in Production. Early Release

چه بخشی از یک استارت‌آپ کوچک یا یک شرکت بزرگ سیاره‌ای باشید، این کتاب عملی به دانشمندان داده، SREها و صاحبان مشاغل نشان می‌دهد که چگونه ML را به طور قابل اعتماد، مؤثر و حساب‌دار در سازمان خود اجرا کنند. شما در مورد همه چیز، از نحوه انجام نظارت بر مدل در تولید گرفته تا نحوه اجرای یک تیم توسعه مدل به خوبی تنظیم شده در یک سازمان محصول، بینشی کسب خواهید کرد.

با بکارگیری ذهنیت SRE برای یادگیری ماشین، نویسندگان و متخصصان مهندسی، کتی چن، کرانتی پریسا، نایل ریچارد مورفی، دی. اسکالی، تاد آندروود، و مهمانان برجسته به شما نشان می‌دهند که چگونه برای اجرای یک سیستم ML کارآمد. چه بخواهید درآمد را افزایش دهید، تصمیم‌گیری را بهینه کنید، مشکلات را حل کنید، یا رفتار مشتری را درک کنید و بر آن تأثیر بگذارید، یاد می‌گیرید که چگونه وظایف روزانه ML را انجام دهید و در عین حال تصویر بزرگ‌تری را در ذهن داشته باشید.

شما بررسی خواهید کرد:

• ML چیست< /span>: چگونه کار می کند و به چه چیزی متکی است
• چارچوب های مفهومی برای درک نحوه کار ML \"loops\" </ span>
• کارآمد \"تولید\" و اینکه چگونه می توان آن را به راحتی قابل نظارت، قابل استقرار و قابل اجرا ساخت
• چرا سیستم‌های ML عیب‌یابی تولید را دشوارتر می‌کنند و چگونه می‌توان آنها را دور زد
• چگونه ML، محصول ، و تیم های تولید می توانند به طور موثر ارتباط برقرار کنند

Whether you are part of a small startup or a planet-spanning megacorp, this practical book shows data scientists, SREs, and business owners how to run ML reliably, effectively, and accountably within your organization. You'll gain insight into everything from how to do model monitoring in production to how to run a well-tuned model development team in a product organization.

By applying an SRE mindset to machine learning, authors and engineering professionals Cathy Chen, Kranti Parisa, Niall Richard Murphy, D. Sculley, Todd Underwood, and featured guests show you how to run an efficient ML system. Whether you want to increase revenue, optimize decision-making, solve problems, or understand and influence customer behavior, you'll learn how to perform day-to-day ML tasks while keeping the bigger picture in mind.

You'll examine:

• What ML is: how it functions and what it relies on
• Conceptual frameworks for understanding how ML "loops" work
• Effective "productionization," and how it can be made easily monitorable, deployable, and operable
• Why ML systems make production troubleshooting more difficult, and how to get around them
• How ML, product, and production teams can communicate effectively