UID:
kobvindex_ERBEBC6712785
Format:
1 online resource (206 pages)
ISBN:
9783960105800
Series Statement:
Animals
Note:
Intro -- Inhalt -- Vorwort -- Teil I: Was ist MLOps, und warum wird es benötigt? -- Kapitel 1: Warum jetzt, und was sind die Herausforderungen? -- MLOps - Definition und Herausforderungen -- MLOps zum Reduzieren von Risiken -- Risikobeurteilung -- Risikominderung -- Responsible AI durch MLOps -- MLOps zur Skalierung von Machine-Learning-Modellen -- Abschließende Überlegungen -- Kapitel 2: An MLOps-Prozessen beteiligte Personen -- Fachexperten -- Data Scientists -- Data Engineers -- Software Engineers -- DevOps -- Modellrisikomanager/Auditor -- Machine Learning Architects -- Abschließende Überlegungen -- Kapitel 3: Die Kernkomponenten von MLOps -- Eine Einführung in Machine Learning -- Modellentwicklung -- Festlegen von Geschäftszielen -- Datenquellen und explorative Datenanalyse -- Feature Engineering und Feature Selection -- Training und Evaluierung -- Reproduzierbarkeit -- Responsible AI -- Überführung in die Produktion und Deployment -- Arten und Elemente des Modell-Deployments -- Anforderungen beim Deployment von Modellen -- Monitoring -- Verantwortungsbereiche des DevOps-Teams -- Verantwortungsbereiche des Data-Science-Teams -- Verantwortungsbereiche der Managementebene -- Iteration und Lebenszyklus -- Iteration -- Die Feedback-Schleife -- Governance -- Daten-Governance -- Prozess-Governance -- Abschließende Überlegungen -- Teil II: MLOps einsetzen -- Kapitel 4: Modellentwicklung -- Was genau sind Machine-Learning-Modelle? -- Theoretischer Hintergrund -- Einsatz in der Praxis -- Erforderliche Komponenten -- Unterschiedliche ML-Algorithmen - unterschiedliche MLOps-Herausforderungen -- Explorative Datenanalyse -- Feature Engineering und Feature Selection -- Feature-Engineering-Techniken -- Wie die Auswahl der Features die MLOps-Strategie beeinflusst -- Experimente -- Modelle evaluieren und vergleichen -- Ein geeignetes Qualitätsmaß auswählen
,
Gegenprüfen des Modellverhaltens (Cross-Checking) -- Auswirkungen von Responsible AI auf die Modellentwicklung -- Versionsverwaltung und Reproduzierbarkeit -- Abschließende Überlegungen -- Kapitel 5: Vorbereitung für die Produktion -- Laufzeitumgebungen -- Modelle aus der Entwicklungs- in die Produktivumgebung überführen -- Datenzugriff vor Validierung und Inbetriebnahme in der Produktion -- Abschließende Überlegungen zu Laufzeitumgebungen -- Risikobeurteilung von Modellen -- Der Zweck der Modellvalidierung -- Die Risikotreiber bei Machine-Learning-Modellen -- Qualitätssicherung im Rahmen der Verwendung von Machine Learning -- Wichtige Überlegungen zum Testen -- Reproduzierbarkeit und Überprüfbarkeit -- Potenzielle Sicherheitsrisiken im Zusammenhang mit Machine Learning -- Adversarial Attacks -- Weitere Sicherheitsrisiken -- Das Modellrisiko eindämmen -- Änderungen in der Umgebung -- Wechselwirkungen zwischen Modellen -- Fehlverhalten von Modellen -- Abschließende Überlegungen -- Kapitel 6: Deployment in die Produktivumgebung -- CI/CD-Pipelines -- ML-Artefakte bauen -- Was beinhaltet ein ML-Artefakt? -- Die Testpipeline -- Deployment-Strategien -- Varianten des Modell-Deployments -- Überlegungen beim Überführen von Modellen in die Produktivumgebung -- Wartung von Modellen im Produktivbetrieb -- Containerisierung -- Deployments skalieren -- Anforderungen und Herausforderungen -- Abschließende Überlegungen -- Kapitel 7: Monitoring und Feedback-Schleife -- Wie häufig sollten Modelle neu trainiert werden? -- Leistungsabfall von Modellen überwachen -- Bewertung auf Basis der Ground Truth -- Abweichungen in den Eingabedaten erkennen (Input-Drift-Detection) -- Drift-Erkennung in der Praxis -- Mögliche Ursachen für systematische Abweichungen in den Daten -- Methoden zur Erkennung systematischer Abweichungen in den Eingabedaten -- Die Feedback-Schleife
,
Logging-System -- Modelle evaluieren -- Evaluierung während des Produktivbetriebs -- Abschließende Überlegungen -- Kapitel 8: Modell-Governance -- Wer entscheidet, wie die Governance des Unternehmens aussieht? -- Anpassung der Governance an das Risikoniveau -- Aktuelle Regulierungen als Treiber der MLOps-Governance -- Gesetzliche Richtlinien für die US-Pharmaindustrie: GxP -- Regulierung des Modellrisikomanagements in der Finanzbranche -- Datenschutzbestimmungen gemäß DSGVO und CCPA -- Die nächste Welle an KI-spezifischen Regulierungen -- Die Entstehung einer verantwortungsvollen KI (Responsible AI) -- Schlüsselelemente von Responsible AI -- 1. Element: Daten -- 2. Element: Bias -- 3. Element: Inklusivität -- 4. Element: Modellmanagement im großen Maßstab -- 5. Element: Governance -- Eine Vorlage für MLOps-Governance -- 1. Schritt: Verstehen und Kategorisieren der Analytics-Anwendungsfälle -- 2. Schritt: Eine ethische Grundhaltung einnehmen -- 3. Schritt: Verantwortlichkeiten festlegen -- 4. Schritt: Richtlinien für die Governance aufstellen -- 5. Schritt: Einbinden von Richtlinien in den MLOps-Prozess -- 6. Schritt: Werkzeuge für das zentrale Governance-Management auswählen -- 7. Schritt: Einbinden und Schulen -- 8. Schritt: Überwachen und Optimieren -- Abschließende Überlegungen -- Teil III: MLOps-Anwendungsfälle aus der Praxis -- Kapitel 9: MLOps in der Praxis: Kreditrisikomanagement bei der Vergabe von Verbraucherkrediten -- Hintergründe des geschäftlichen Anwendungsfalls -- Modellentwicklung -- Überlegungen zu Bias in Modellen -- Produktionsvorbereitung -- Deployment in die Produktivumgebung -- Abschließende Überlegungen -- Kapitel 10: MLOps in der Praxis: Empfehlungssysteme im Marketing -- Empfehlungssysteme im Wandel der Zeit -- Die Rolle von Machine Learning -- Push- oder Pull-Empfehlungen? -- Datenaufbereitung
,
Experimente konzipieren und verwalten -- Training und Deployment von Modellen -- Skalierbarkeit und Anpassungsmöglichkeiten -- Monitoring- und Retraining-Strategie -- Auswertung der Anfragen in Echtzeit (Real-Time-Scoring) -- Möglichkeit, das Empfehlungssystem ein- oder auszuschalten -- Aufbau der Pipeline und Deployment-Strategie -- Monitoring und Feedback -- Modelle neu trainieren (Retraining) -- Modelle aktualisieren -- Über Nacht laufen und tagsüber ruhen lassen -- Möglichkeiten zur manuellen Anpassung von Modellen -- Möglichkeit der automatischen Verwaltung von Modellversionen -- Die Qualität des Modells überwachen -- Abschließende Überlegungen -- Kapitel 11: MLOps in der Praxis: die Verbrauchsprognose am Beispiel der Lastprognose -- Stromversorgungssysteme -- Datenerhebung -- Vom Anwendungsfall abhängig: Machine Learning verwenden oder nicht? -- Räumliche und zeitliche Differenzierung -- Umsetzung -- Modellentwicklung -- Deployment -- Monitoring -- Abschließende Überlegungen -- Index
Additional Edition:
Print version: Treveil, Mark MLOps – Kernkonzepte im Überblick Heidelberg : o'Reilly,c2021 ISBN 9783960091721
Keywords:
Electronic books.
URL:
https://ebookcentral.proquest.com/lib/th-brandenburg/detail.action?docID=6712785
Bookmarklink
