کتاب Implementing MLOps in the Enterprise

کتاب Implementing MLOps in the Enterprise: A Production-First Approach (پیاده‌سازی MLOps در سازمان: رویکرد اول تولید) راهکارهای ارائه‌ی MLOps در سازمان‌ها را به صورت کاربردی آموزش می‌دهد.

در ادامه مقدمه‌ای از کتاب Implementing MLOps in the Enterprise را از زبان نویسنده شرح خواهیم داد.

مقدمه‌ای بر کتاب Implementing MLOps in the Enterprise:

به‌عنوان کهنه‌کار MLOps، ما اغلب سناریوی زیر را در بین شرکت‌هایی که شیوه‌های علم داده خود را ایجاد می‌کنند، دیده‌ایم.

به طور سنتی، زمانی که شرکت‌ها عمل علم داده خود را ایجاد می‌کردند، با ساخت یک مدل در آزمایشگاه، با یک تیم کوچک، که اغلب بر روی لپ‌تاپ‌های خود کار می‌کردند و با یک مجموعه داده کوچک و دستی استخراج می‌شد، شروع می‌کردند.

آن‌ها مدل را به صورت مجزا توسعه دادند و نتایج به صورت دستی در برنامه‌ها گنجانده شد. سپس، هنگامی که مدل کامل شد و با دقت پیش‌بینی می‌شد، تلاش واقعی برای تولید آن، برای تولید ارزش تجاری واقعی آغاز شد.

در این مرحله، شرکت با چالش‌هایی مانند دریافت داده‌های تولید، آموزش در مقیاس بزرگ، خدمات در زمان واقعی و نظارت/مدیریت مدل‌ها در تولید مواجه شد. غلبه بر این موانع اغلب ماه‌ها طول می‌کشد و هزینه‌های زیادی در منابع و زمان از دست رفته به همراه دارد.

خط لوله هوش مصنوعی سیلو شده است، با تیم‌هایی که به صورت مجزا کار می‌کنند و با ابزار‌ها و چارچوب‌های مختلف زیادی کار می‌کنند که لزوماً با یکدیگر خوب بازی نمی‌کنند. این منجر به اتلاف عظیم منابع می‌شود و کسب و کار‌ها نمی‌توانند از سرمایه‌گذاری خود در علم داده سرمایه‌گذاری کنند. به گفته گارتنر، ۸۵ درصد از پروژه‌های علم داده کمتر از انتظارات هستند.

در کتاب Implementing MLOps in the Enterprise، ما یک تغییر ذهنیت را پیشنهاد می‌کنیم که به این چالش‌های موجود می‌پردازد که مانع از آوردن مدل‌ها به تولید می‌شود. ما یک رویکرد اول تولید را توصیه می‌کنیم: نه با مدل، بلکه با طراحی یک خط لوله عملیاتی پیوسته و سپس اطمینان از ترسیم اجزا و اقدامات مختلف در آن. با خودکارسازی هر چه بیشتر اجزای ممکن و سریع و تکرارپذیر کردن فرآیند، خط لوله می‌تواند در کنار نیاز‌های سازمان مقیاس شود و ارزش تجاری سریعی را ارائه دهد و در عین حال به نیاز‌های MLO‌های پویا و سازمانی پاسخ دهد.

امروزه، کسب‌وکار‌های بیشتری پتانسیل گسترده مدل‌های هوش مصنوعی برای تأثیر مثبت بر کسب‌وکار در بسیاری از موارد استفاده جدید را درک می‌کنند. و با گشودن فرصت‌های جدیدی برای نوآوری‌های تجاری در سراسر صنایع، هوش مصنوعی مولد، به نظر می‌رسد که پذیرش و استفاده از هوش مصنوعی در سال‌های آتی به شدت افزایش می‌یابد. این کتاب به بررسی چگونگی زنده کردن علم داده برای این سناریو‌های دنیای واقعی MLO می‌پردازد.

بیشتر بخوانید: کتاب MLOps Engineering at Scale

کتاب Implementing MLOps in the Enterprise برای چه کسی است؟

این کتاب برای دست اندرکارانی است که مسئولیت ساخت، مدیریت، نگهداری و عملیاتی کردن فرآیند علم داده را به طور کامل انجام می‌دهند: رؤسای علوم داده، رؤسای مهندسی ML، دانشمندان ارشد داده، مهندسان MLOps و مهندسان یادگیری ماشین.

این پزشکان با گوشه و کنار (و همچنین چالش‌ها و موانع) خط لوله علم داده آشنا هستند و دانش فنی اولیه را دارند، به عنوان مثال، در Python، Pandas، sklearn و غیره.

کتاب Implementing MLOps in the Enterprise همچنین می‌تواند برای سایر رهبران فناوری مانند CIO، CTO و CDO که می‌خواهند استفاده از هوش مصنوعی را در سراسر سازمان خود به طور کارآمد مقیاس‌بندی کنند، برنامه‌های هوش مصنوعی را برای موارد متعدد استفاده تجاری ایجاد کنند و سیلو‌های سازمانی و فن‌آوری را ایجاد کنند که از انجام آن جلوگیری می‌کند، ارزشمند باشد. پس امروز.

کتاب به سه صورت خوانده می‌شود. اول، در یک حرکت، به عنوان یک راهنمای استراتژیک که افقهایی را به روی‌ایده‌های MLOs جدید باز می‌کند. دوم، هنگام ایجاد هرگونه تغییر استراتژیک در خط لوله که نیاز به مشاوره و کمک دارد.

به عنوان مثال، هنگام معرفی داده‌های بلادرنگ به خط لوله، مقیاس‌بندی خط لوله موجود به یک منبع داده جدید/مورد استفاده تجاری، خودکارسازی خط لوله MLOps، پیاده‌سازی یک فروشگاه ویژگی، یا معرفی یک ابزار جدید در خط لوله. در نهایت می‌توان به کتاب روزانه در هنگام اجرا و اجرای MLO‌ها مراجعه کرد. به عنوان مثال، برای شناسایی و رفع یک گلوگاه در خط لوله، نظارت بر خط لوله، و مدیریت استنتاج.

بیشتر بخوانید: کتاب Scaling Machine Learning with Spark

پیمایش در کتاب Implementing MLOps in the Enterprise

این کتاب بر اساس مراحل خط لوله MLOps ساخته شده است و شما را در اولین گام‌های خود با MLO‌ها تا پیشرفته‌ترین موارد استفاده راهنمایی می‌کند:

• فصل‌های ۱ تا ۳ نشان می‌دهند که سازمان‌ها چگونه باید به MLOps نزدیک شوند، تیم‌های علم داده چگونه می‌توانند شروع به کار کنند، و چه چیزی را برای اولین پروژه MLOps خود آماده کنید.
• فصل‌های ۴-۷ اجزای یک خط لوله MLOps انعطاف‌پذیر و مقیاس‌پذیر و نحوه ایجاد خط لوله یادگیری ماشینی را توضیح می‌دهند که در سراسر سازمان مقیاس‌پذیر باشد.
• فصل ۸ خطوط لوله یادگیری عمیق را پوشش می‌دهد و همچنین به GenAI و LLM می‌پردازد.
• فصل‌های ۹ و ۱۰ نحوه انطباق خطوط لوله را برای موارد عمودی خاص و موارد استفاده، مانند استقرار ترکیبی، پیش‌بینی‌های بلادرنگ، هوش مصنوعی ترکیبی و غیره نشان می‌دهند.

در سرتاسر کتاب Implementing MLOps in the Enterprise، نمونه‌های کد واقعی را پیدا خواهید کرد تا خودتان آن را به صورت تعاملی امتحان کنید.

پس از خواندن کتاب Implementing MLOps in the Enterprise، چند قدم به توانایی زیر نزدیک خواهید شد:

• یک خط لوله MLOps بسازید.
• یک خط لوله یادگیری عمیق بسازید.
• راه حل‌های خاص برنامه (مثلاً برای NLP) بسازید.
• راه حل‌های خاص مورد استفاده را بسازید (مثلاً برای پیش‌بینی تقلب).

سرفصل‌های کتاب Implementing MLOps in the Enterprise:

• Preface
• 1. MLOps: What Is It and Why Do We Need It?
• 2. The Stages of MLOps
• 3. Getting Started with Your First MLOps Project
• 4. Working with Data and Feature Stores
• 5. Developing Models for Production
• 6. Deployment of Models and Al Applications
• 7. Building a Production Grade MLOps Project from A to Z
• 8. Building Scalable Deep Learning and Large Language Model Projects
• 9. Solutions for Advanced Data Types
• 10. Implementing MLOps Using Rust
• A. Job Interview Questions
• B. Enterprise MLOps Interviews
• Index
• About the Authors

جهت دانلود کتاب Implementing MLOps in the Enterprise می‌توانید پس از پرداخت، دریافت کنید.