Verfügbarkeit: MLOps – Kernkonzepte im Überblick

MLOps – Kernkonzepte im Überblick: Machine-Learning-Prozesse im Unternehmen nachhaltig automatisieren und skalieren

Gespeichert in:

Bibliographische Detailangaben
1. Verfasser:	Treveil, Mark (VerfasserIn)
Weitere Verfasser:	Fraaß, Marcus (ÜbersetzerIn)
Format:	Buch
Sprache:	German English
Veröffentlicht:	Heidelberg O'Reilly [2021]
Ausgabe:	1. Auflage
Schlagworte:	Datenmanagement Unternehmen Maschinelles Lernen DevOps AI Artificial Intelligence Deep Learning KI Künstliche Intelligenz Neuronale Netze Python Statistische Datenanalyse Machine Learning Operations Machine-Learning-Modelle Data Science Data Engineering
Online-Zugang:	Inhaltsverzeichnis
Beschreibung:	Auf dem Cover: "Deutsche Ausgabe"
Beschreibung:	201 Seiten Illustrationen 24 cm x 16.5 cm
ISBN:	9783960091721 3960091729

Internformat

MARC


LEADER	00000nam a22000008c 4500
001	BV047335915
003	DE-604
005	20211021
007	t
008	210617s2021 gw a\|\|\| \|\|\|\| 00\|\|\| ger d
015			\|a 21,N18 \|2 dnb
016	7		\|a 1232517542 \|2 DE-101
020			\|a 9783960091721 \|c : circa EUR 32.90 (DE), circa EUR 33.90 (AT) \|9 978-3-96009-172-1
020			\|a 3960091729 \|9 3-96009-172-9
024	3		\|a 9783960091721
035			\|a (OCoLC)1266246178
035			\|a (DE-599)DNB1232517542
040			\|a DE-604 \|b ger \|e rda
041	1		\|a ger \|h eng
044			\|a gw \|c XA-DE-BW
049			\|a DE-1102 \|a DE-706 \|a DE-1051 \|a DE-1043 \|a DE-859 \|a DE-N2 \|a DE-Aug4
084			\|a ST 302 \|0 (DE-625)143652: \|2 rvk
084			\|8 1\p \|a 004 \|2 23sdnb
100	1		\|a Treveil, Mark \|e Verfasser \|0 (DE-588)1240508573 \|4 aut
240	1	0	\|a Introducing MLOps
245	1	0	\|a MLOps – Kernkonzepte im Überblick \|b Machine-Learning-Prozesse im Unternehmen nachhaltig automatisieren und skalieren \|c Mark Treveil und das Dataiku-Team ; deutsche Übersetzung von Marcus Fraaß
250			\|a 1. Auflage
264		1	\|a Heidelberg \|b O'Reilly \|c [2021]
264		4	\|c © 2021
300			\|a 201 Seiten \|b Illustrationen \|c 24 cm x 16.5 cm
336			\|b txt \|2 rdacontent
337			\|b n \|2 rdamedia
338			\|b nc \|2 rdacarrier
500			\|a Auf dem Cover: "Deutsche Ausgabe"
650	0	7	\|a Datenmanagement \|0 (DE-588)4213132-7 \|2 gnd \|9 rswk-swf
650	0	7	\|a Unternehmen \|0 (DE-588)4061963-1 \|2 gnd \|9 rswk-swf
650	0	7	\|a Maschinelles Lernen \|0 (DE-588)4193754-5 \|2 gnd \|9 rswk-swf
650	0	7	\|a DevOps \|0 (DE-588)1133086942 \|2 gnd \|9 rswk-swf
653			\|a AI
653			\|a Artificial Intelligence
653			\|a Deep Learning
653			\|a KI
653			\|a Künstliche Intelligenz
653			\|a Maschinelles Lernen
653			\|a Neuronale Netze
653			\|a Python
653			\|a Statistische Datenanalyse
653			\|a Machine Learning Operations
653			\|a DevOps
653			\|a Machine-Learning-Modelle
653			\|a Data Science
653			\|a Data Engineering
689	0	0	\|a Maschinelles Lernen \|0 (DE-588)4193754-5 \|D s
689	0		\|5 DE-604
689	1	0	\|a Unternehmen \|0 (DE-588)4061963-1 \|D s
689	1	1	\|a Maschinelles Lernen \|0 (DE-588)4193754-5 \|D s
689	1	2	\|a DevOps \|0 (DE-588)1133086942 \|D s
689	1	3	\|a Datenmanagement \|0 (DE-588)4213132-7 \|D s
689	1		\|5 DE-604
700	1		\|a Fraaß, Marcus \|0 (DE-588)1181254078 \|4 trl
775	0	8	\|i Parallele Sprachausgabe \|z 9781492083290
776	0	8	\|i Erscheint auch als \|n Online-Ausgabe, PDF \|z 9783960105800
776	0	8	\|i Erscheint auch als \|n Online-Ausgabe, EPUB \|z 9783960105817
776	0	8	\|i Erscheint auch als \|n Online-Ausgabe, MOBI \|z 9783960105824
856	4	2	\|m DNB Datenaustausch \|q application/pdf \|u http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=032738436&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA \|3 Inhaltsverzeichnis
999			\|a oai:aleph.bib-bvb.de:BVB01-032738436
883	2		\|8 1\p \|a dnb \|d 20210426 \|q DE-101 \|u https://d-nb.info/provenance/plan#dnb

Datensatz im Suchindex

_version_	1804182549032861696
adam_text	INHALT VORWORT ............................................................................................ 11 TEIL I WAS IST MLOPS, UND WARUM WIRD ES BENOETIGT? 1 WARUM JETZT, UND WAS SIND DIE HERAUSFORDERUNGEN? ............................. 15 MLOPS - DEFINITION UND HERAUSFORDERUNGEN .......................................... 16 MLOPS ZUM REDUZIEREN VON RISIKEN ....................................................... 20 RISIKOBEURTEILUNG ................................................................................. 20 RISIKOMINDERUNG ................................................................................. 21 RESPONSIBLE AI DURCH MLOPS ........................................................... 22 MLOPS ZUR SKALIERUNG VON MACHINE-LEARNING-MODELLEN ....................... 23 ABSCHLIESSENDE UEBERLEGUNGEN .................................................................... 24 2 AN MLOPS-PROZESSEN BETEILIGTE PERSONEN ........................................... 25 FACHEXPERTEN ................................................................................................ 27 DATA SCIENTISTS ............................................................................................. 29 DATA ENGINEERS ............................................................................................. 31 SOFTWARE ENGINEERS ..................................................................................... 32 DEVOPS ........................................................................................................ 33 MODELLRISIKOMANAGER/AUDITOR .................................................................... 34 MACHINE LEARNING ARCHITECTS ...................................................................... 34 ABSCHLIESSENDE UEBERLEGUNGEN .................................................................... 35 3 DIE KERNKOMPONENTEN VON MLOPS .................................................... 37 EINE EINFUEHRUNG IN MACHINE LEARNING ....................................................... 37 MODELLENTWICKLUNG ..................................................................................... 38 FESTLEGEN VON GESCHAEFTSZIELEN .............................................................. 38 DATENQUELLEN UND EXPLORATIVE DATENANALYSE .................................... 38 FEATURE ENGINEERING UND FEATURE SELECTION ...................................... 40 TRAINING UND EVALUIERUNG .................................................................... 40 REPRODUZIERBARKEIT .............................................................................. 40 RESPONSIBLE AI ..................................................................................... 41 I 5 UEBERFUEHRUNG IN DIE PRODUKTION UND DEPLOYMENT .................................. 42 ARTEN UND ELEMENTE DES MODELL-DEPLOYMENTS ................................ 42 ANFORDERUNGEN BEIM DEPLOYMENT VON MODELLEN ............................ 44 MONITORING .................................................................................................. 44 VERANTWORTUNGSBEREICHE DES DEVOPS-TEAMS .................................. 45 VERANTWORTUNGSBEREICHE DES DATA-SCIENCE-TEAMS .......................... 45 VERANTWORTUNGSBEREICHE DER MANAGEMENTEBENE .............................. 47 ITERATION UND LEBENSZYKLUS ........................................................................ 47 ITERATION ................................................................................................ 48 DIE FEEDBACK-SCHLEIFE ........................................................................ 49 GOVERNANCE .................................................................................................. 50 DATEN-GOVERNANCE ............................................................................... 52 PROZESS-GOVERNANCE ............................................................................ 53 ABSCHLIESSENDE UEBERLEGUNGEN .................................................................... 54 TEIL II MLOPS EINSETZEN 4 MODELLENTWICKLUNG ....................................................................... 57 WAS GENAU SIND MACHINE-LEARNING-MODELLE? ........................................... 58 THEORETISCHER HINTERGRUND ................................................................ 58 EINSATZ IN DER PRAXIS ............................................................................ 59 ERFORDERLICHE KOMPONENTEN ................................................................ 60 UNTERSCHIEDLICHE ML-ALGORITHMEN - UNTERSCHIEDLICHE MLOPS-HERAUSFORDERUNGEN ................................................................ 61 EXPLORATIVE DATENANALYSE .......................................................................... 63 FEATURE ENGINEERING UND FEATURE SELECTION ............................................. 64 FEATURE-ENGINEERING-T ECHNIKEN ......................................................... 64 WIE DIE AUSWAHL DER FEATURES DIE MLOPS-STRATEGIE BEEINFLUSST ... 65 EXPERIMENTE ................................................................................................ 67 MODELLE EVALUIEREN UND VERGLEICHEN ......................................................... 68 EIN GEEIGNETES QUALITAETSMASS AUSWAEHLEN .......................................... 69 GEGENPRUEFEN DES MODELLVERHALTENS (CROSS-CHECKING) ................... 71 AUSWIRKUNGEN VON RESPONSIBLE AI AUF DIE MODELLENTWICKLUNG ... 72 VERSIONSVERWALTUNG UND REPRODUZIERBARKEIT .......................................... 75 ABSCHLIESSENDE UEBERLEGUNGEN .................................................................... 77 5 VORBEREITUNG FUER DIE PRODUKTION ...................................................... 79 LAUFZEITUMGEBUNGEN ................................................................................. 80 MODELLE AUS DER ENTWICKLUNGS IN DIE PRODUKTIVUMGEBUNG UEBERFUEHREN ........................................................................................... 80 6 \| INHALT DATENZUGRIFF VOR VALIDIERUNG UND INBETRIEBNAHME IN DER PRODUKTION ........................................................................................... 82 ABSCHLIESSENDE UEBERLEGUNGEN ZU LAUFZEITUMGEBUNGEN ................... 83 RISIKOBEURTEILUNG VON MODELLEN ................................................................ 83 DER ZWECK DER MODELLVALIDIERUNG ..................................................... 83 DIE RISIKOTREIBER BEI MACHINE-LEARNING-MODELLEN .......................... 84 QUALITAETSSICHERUNG IM RAHMEN DER VERWENDUNG VON MACHINE LEARNING ....................................................................................... 85 WICHTIGE UEBERLEGUNGEN ZUM TESTEN ......................................................... 86 REPRODUZIERBARKEIT UND UEBERPRUEFBARKEIT ................................................. 87 POTENZIELLE SICHERHEITSRISIKEN IM ZUSAMMENHANG MIT MACHINE LEARNING ....................................................................................... 89 ADVERSARIAL ATTACKS ............................................................................... 89 WEITERE SICHERHEITSRISIKEN .................................................................. 90 DAS MODELLRISIKO EINDAEMMEN .................................................................... 91 AENDERUNGEN IN DER UMGEBUNG ........................................................... 91 WECHSELWIRKUNGEN ZWISCHEN MODELLEN ............................................. 92 FEHLVERHALTEN VON MODELLEN ................................................................ 93 ABSCHLIESSENDE UEBERLEGUNGEN .................................................................... 94 6 DEPLOYMENT IN DIE PRODUKTIVUMGEBUNG ............................................. 95 CI/CD-PIPELINES ........................................................................................... 95 ML-ARTEFAKTE BAUEN ................................................................................... 97 WAS BEINHALTET EIN ML-ARTEFAKT? ....................................................... 97 DIE TESTPIPELINE ................................................................................... 98 DEPLOYMENT-STRATEGIEN .............................................................................. 99 VARIANTEN DES MODELL-DEPLOYMENTS ................................................... 100 UEBERLEGUNGEN BEIM UEBERFUEHREN VON MODELLEN IN DIE PRODUKTIVUMGEBUNG ............................................................................ 100 WARTUNG VON MODELLEN IM PRODUKTIVBETRIEB .................................... 102 CONTAINERISIERUNG ....................................................................................... 102 DEPLOYMENTS SKALIEREN .............................................................................. 104 ANFORDERUNGEN UND HERAUSFORDERUNGEN ................................................... 106 ABSCHLIESSENDE UEBERLEGUNGEN .................................................................... 107 7 MONITORING UND FEEDBACK-SCHLEIFE .................................................... 109 WIE HAEUFIG SOLLTEN MODELLE NEU TRAINIERT WERDEN? .................................... 110 LEISTUNGSABFALL VON MODELLEN UEBERWACHEN ............................................... 113 BEWERTUNG AUF BASIS DER GROUND TRUTH ............................................. 113 ABWEICHUNGEN IN DEN EINGABEDATEN ERKENNEN (INPUT-DRIFT-DETECTION) ........................................................................ 116 INHALT \| 7 DRIFT-ERKENNUNG IN DER PRAXIS .................................................................... 118 MOEGLICHE URSACHEN FUER SYSTEMATISCHE ABWEICHUNGEN IN DEN DATEN .................................................................................................... 118 METHODEN ZUR ERKENNUNG SYSTEMATISCHER ABWEICHUNGEN IN DEN EINGABEDATEN ....................................................................................... 119 DIE FEEDBACK-SCHLEIFE ................................................................................. 121 LOGGING-SYSTEM ................................................................................... 122 MODELLE EVALUIEREN ............................................................................... 123 EVALUIERUNG WAEHREND DES PRODUKTIVBETRIEBS .................................... 126 ABSCHLIESSENDE UEBERLEGUNGEN .................................................................... 130 8 MODELL-GOVERNANCE ....................................................................... 131 WER ENTSCHEIDET, WIE DIE GOVERNANCE DES UNTERNEHMENS AUSSIEHT? ... 131 ANPASSUNG DER GOVERNANCE AN DAS RISIKONIVEAU .................................... 133 AKTUELLE REGULIERUNGEN ALS TREIBER DER MLOPS-GOVERNANCE ................. 134 GESETZLICHE RICHTLINIEN FUER DIE US-PHARMAINDUSTRIE: GXP .............. 135 REGULIERUNG DES MODELLRISIKOMANAGEMENTS IN DER FINANZBRANCHE ..................................................................................... 135 DATENSCHUTZBESTIMMUNGEN GEMAESS DSGVO UND CCPA ................. 136 DIE NAECHSTE WELLE AN KL-SPEZIFISCHEN REGULIERUNGEN .............................. 137 DIE ENTSTEHUNG EINER VERANTWORTUNGSVOLLEN KI (RESPONSIBLE AI) ........ 139 SCHLUESSELELEMENTE VON RESPONSIBLE AI ..................................................... 140 1. ELEMENT: DATEN ............................................................................... 140 2. ELEMENT: BIAS ................................................................................... 140 3. ELEMENT: INKLUSIVITAET ...................................................................... 142 4. ELEMENT: MODELLMANAGEMENT IM GROSSEN MASSSTAB ..................... 143 5. ELEMENT: GOVERNANCE ...................................................................... 143 EINE VORLAGE FUER MLOPS-GOVERNANCE ..................................................... 144 1. SCHRITT: VERSTEHEN UND KATEGORISIEREN DER ANALYTICS ANWENDUNGSFAELLE ................................................................................. 145 2. SCHRITT: EINE ETHISCHE GRUNDHALTUNG EINNEHMEN ......................... 145 3. SCHRITT: VERANTWORTLICHKEITEN FESTLEGEN ........................................ 146 4. SCHRITT: RICHTLINIEN FUER DIE GOVERNANCE AUFSTELLEN ....................... 147 5. SCHRITT: EINBINDEN VON RICHTLINIEN IN DEN MLOPS-PROZESS ......... 149 6. SCHRITT: WERKZEUGE FUER DAS ZENTRALE GOVERNANCE-MANAGEMENT AUSWAEHLEN ........................................................................................... 150 7. SCHRITT: EINBINDEN UND SCHULEN ..................................................... 151 8. SCHRITT: UEBERWACHEN UND OPTIMIEREN ............................................ 152 ABSCHLIESSENDE UEBERLEGUNGEN .................................................................... 153 8 \| INHALT TEIL III MLOPS-ANWENDUNGSFAELLE AUS DER PRAXIS 9 MLOPS IN DER PRAXIS: KREDITRISIKOMANAGEMENT BEI DER VERGABE VON VERBRAUCHERKREDITEN ...................................................................... 157 HINTERGRUENDE DES GESCHAEFTLICHEN ANWENDUNGSFALLS .................................. 157 MODELLENTWICKLUNG ..................................................................................... 158 UEBERLEGUNGEN ZU BIAS IN MODELLEN ............................................................ 159 PRODUKTIONSVORBEREITUNG ............................................................................ 160 DEPLOYMENT IN DIE PRODUKTIVUMGEBUNG ................................................... 161 ABSCHLIESSENDE UEBERLEGUNGEN .................................................................... 161 10 MLOPS IN DER PRAXIS: EMPFEHLUNGSSYSTEME IM MARKETING ........................ 163 EMPFEHLUNGSSYSTEME IM WANDEL DER ZEIT ................................................. 163 DIE ROLLE VON MACHINE LEARNING ....................................................... 164 PUSH ODER PULL-EMPFEHLUNGEN? ......................................................... 164 DATENAUFBEREITUNG ....................................................................................... 165 EXPERIMENTE KONZIPIEREN UND VERWALTEN ................................................... 166 TRAINING UND DEPLOYMENT VON MODELLEN ................................................. 167 SKALIERBARKEIT UND ANPASSUNGSMOEGLICHKEITEN .................................. 168 MONITORING UND RETRAINING-STRATEGIE ................................................. 168 AUSWERTUNG DER ANFRAGEN IN ECHTZEIT (REAL-TIME-SCORING) ............. 169 MOEGLICHKEIT, DAS EMPFEHLUNGSSYSTEM EIN ODER AUSZUSCHALTEN .... 169 AUFBAU DER PIPELINE UND DEPLOYMENT-STRATEGIE ...................................... 169 MONITORING UND FEEDBACK .......................................................................... 171 MODELLE NEU TRAINIEREN (RETRAINING) ................................................... 171 MODELLE AKTUALISIEREN .......................................................................... 171 UEBER NACHT LAUFEN UND TAGSUEBER RUHEN LASSEN .................................. 172 MOEGLICHKEITEN ZUR MANUELLEN ANPASSUNG VON MODELLEN ................. 172 MOEGLICHKEIT DER AUTOMATISCHEN VERWALTUNG VON MODELLVERSIONEN ................................................................................... 173 DIE QUALITAET DES MODELLS UEBERWACHEN ............................................... 173 ABSCHLIESSENDE UEBERLEGUNGEN .................................................................... 174 11 MLOPS IN DER PRAXIS: DIE VERBRAUCHSPROGNOSE AM BEISPIEL DER LASTPROGNOSE ................................................................................ 177 STROMVERSORGUNGSSYSTEME .......................................................................... 177 DATENERHEBUNG ........................................................................................... 179 VOM ANWENDUNGSFALL ABHAENGIG: MACHINE LEARNING VERWENDEN ODER NICHT? ................................................................................................... 181 RAEUMLICHE UND ZEITLICHE DIFFERENZIERUNG ................................................... 182 INHALT \| 9 UMSETZUNG .................................................................................................. 183 MODELLENTWICKLUNG ..................................................................................... 184 DEPLOYMENT ................................................................................................ 186 MONITORING .................................................................................................. 187 ABSCHLIESSENDE UEBERLEGUNGEN .................................................................... 188 INDEX ................................................................................................ 189 10 \| INHALT
adam_txt	INHALT VORWORT . 11 TEIL I WAS IST MLOPS, UND WARUM WIRD ES BENOETIGT? 1 WARUM JETZT, UND WAS SIND DIE HERAUSFORDERUNGEN? . 15 MLOPS - DEFINITION UND HERAUSFORDERUNGEN . 16 MLOPS ZUM REDUZIEREN VON RISIKEN . 20 RISIKOBEURTEILUNG . 20 RISIKOMINDERUNG . 21 RESPONSIBLE AI DURCH MLOPS . 22 MLOPS ZUR SKALIERUNG VON MACHINE-LEARNING-MODELLEN . 23 ABSCHLIESSENDE UEBERLEGUNGEN . 24 2 AN MLOPS-PROZESSEN BETEILIGTE PERSONEN . 25 FACHEXPERTEN . 27 DATA SCIENTISTS . 29 DATA ENGINEERS . 31 SOFTWARE ENGINEERS . 32 DEVOPS . 33 MODELLRISIKOMANAGER/AUDITOR . 34 MACHINE LEARNING ARCHITECTS . 34 ABSCHLIESSENDE UEBERLEGUNGEN . 35 3 DIE KERNKOMPONENTEN VON MLOPS . 37 EINE EINFUEHRUNG IN MACHINE LEARNING . 37 MODELLENTWICKLUNG . 38 FESTLEGEN VON GESCHAEFTSZIELEN . 38 DATENQUELLEN UND EXPLORATIVE DATENANALYSE . 38 FEATURE ENGINEERING UND FEATURE SELECTION . 40 TRAINING UND EVALUIERUNG . 40 REPRODUZIERBARKEIT . 40 RESPONSIBLE AI . 41 I 5 UEBERFUEHRUNG IN DIE PRODUKTION UND DEPLOYMENT . 42 ARTEN UND ELEMENTE DES MODELL-DEPLOYMENTS . 42 ANFORDERUNGEN BEIM DEPLOYMENT VON MODELLEN . 44 MONITORING . 44 VERANTWORTUNGSBEREICHE DES DEVOPS-TEAMS . 45 VERANTWORTUNGSBEREICHE DES DATA-SCIENCE-TEAMS . 45 VERANTWORTUNGSBEREICHE DER MANAGEMENTEBENE . 47 ITERATION UND LEBENSZYKLUS . 47 ITERATION . 48 DIE FEEDBACK-SCHLEIFE . 49 GOVERNANCE . 50 DATEN-GOVERNANCE . 52 PROZESS-GOVERNANCE . 53 ABSCHLIESSENDE UEBERLEGUNGEN . 54 TEIL II MLOPS EINSETZEN 4 MODELLENTWICKLUNG . 57 WAS GENAU SIND MACHINE-LEARNING-MODELLE? . 58 THEORETISCHER HINTERGRUND . 58 EINSATZ IN DER PRAXIS . 59 ERFORDERLICHE KOMPONENTEN . 60 UNTERSCHIEDLICHE ML-ALGORITHMEN - UNTERSCHIEDLICHE MLOPS-HERAUSFORDERUNGEN . 61 EXPLORATIVE DATENANALYSE . 63 FEATURE ENGINEERING UND FEATURE SELECTION . 64 FEATURE-ENGINEERING-T ECHNIKEN . 64 WIE DIE AUSWAHL DER FEATURES DIE MLOPS-STRATEGIE BEEINFLUSST . 65 EXPERIMENTE . 67 MODELLE EVALUIEREN UND VERGLEICHEN . 68 EIN GEEIGNETES QUALITAETSMASS AUSWAEHLEN . 69 GEGENPRUEFEN DES MODELLVERHALTENS (CROSS-CHECKING) . 71 AUSWIRKUNGEN VON RESPONSIBLE AI AUF DIE MODELLENTWICKLUNG . 72 VERSIONSVERWALTUNG UND REPRODUZIERBARKEIT . 75 ABSCHLIESSENDE UEBERLEGUNGEN . 77 5 VORBEREITUNG FUER DIE PRODUKTION . 79 LAUFZEITUMGEBUNGEN . 80 MODELLE AUS DER ENTWICKLUNGS IN DIE PRODUKTIVUMGEBUNG UEBERFUEHREN . 80 6 \| INHALT DATENZUGRIFF VOR VALIDIERUNG UND INBETRIEBNAHME IN DER PRODUKTION . 82 ABSCHLIESSENDE UEBERLEGUNGEN ZU LAUFZEITUMGEBUNGEN . 83 RISIKOBEURTEILUNG VON MODELLEN . 83 DER ZWECK DER MODELLVALIDIERUNG . 83 DIE RISIKOTREIBER BEI MACHINE-LEARNING-MODELLEN . 84 QUALITAETSSICHERUNG IM RAHMEN DER VERWENDUNG VON MACHINE LEARNING . 85 WICHTIGE UEBERLEGUNGEN ZUM TESTEN . 86 REPRODUZIERBARKEIT UND UEBERPRUEFBARKEIT . 87 POTENZIELLE SICHERHEITSRISIKEN IM ZUSAMMENHANG MIT MACHINE LEARNING . 89 ADVERSARIAL ATTACKS . 89 WEITERE SICHERHEITSRISIKEN . 90 DAS MODELLRISIKO EINDAEMMEN . 91 AENDERUNGEN IN DER UMGEBUNG . 91 WECHSELWIRKUNGEN ZWISCHEN MODELLEN . 92 FEHLVERHALTEN VON MODELLEN . 93 ABSCHLIESSENDE UEBERLEGUNGEN . 94 6 DEPLOYMENT IN DIE PRODUKTIVUMGEBUNG . 95 CI/CD-PIPELINES . 95 ML-ARTEFAKTE BAUEN . 97 WAS BEINHALTET EIN ML-ARTEFAKT? . 97 DIE TESTPIPELINE . 98 DEPLOYMENT-STRATEGIEN . 99 VARIANTEN DES MODELL-DEPLOYMENTS . 100 UEBERLEGUNGEN BEIM UEBERFUEHREN VON MODELLEN IN DIE PRODUKTIVUMGEBUNG . 100 WARTUNG VON MODELLEN IM PRODUKTIVBETRIEB . 102 CONTAINERISIERUNG . 102 DEPLOYMENTS SKALIEREN . 104 ANFORDERUNGEN UND HERAUSFORDERUNGEN . 106 ABSCHLIESSENDE UEBERLEGUNGEN . 107 7 MONITORING UND FEEDBACK-SCHLEIFE . 109 WIE HAEUFIG SOLLTEN MODELLE NEU TRAINIERT WERDEN? . 110 LEISTUNGSABFALL VON MODELLEN UEBERWACHEN . 113 BEWERTUNG AUF BASIS DER GROUND TRUTH . 113 ABWEICHUNGEN IN DEN EINGABEDATEN ERKENNEN (INPUT-DRIFT-DETECTION) . 116 INHALT \| 7 DRIFT-ERKENNUNG IN DER PRAXIS . 118 MOEGLICHE URSACHEN FUER SYSTEMATISCHE ABWEICHUNGEN IN DEN DATEN . 118 METHODEN ZUR ERKENNUNG SYSTEMATISCHER ABWEICHUNGEN IN DEN EINGABEDATEN . 119 DIE FEEDBACK-SCHLEIFE . 121 LOGGING-SYSTEM . 122 MODELLE EVALUIEREN . 123 EVALUIERUNG WAEHREND DES PRODUKTIVBETRIEBS . 126 ABSCHLIESSENDE UEBERLEGUNGEN . 130 8 MODELL-GOVERNANCE . 131 WER ENTSCHEIDET, WIE DIE GOVERNANCE DES UNTERNEHMENS AUSSIEHT? . 131 ANPASSUNG DER GOVERNANCE AN DAS RISIKONIVEAU . 133 AKTUELLE REGULIERUNGEN ALS TREIBER DER MLOPS-GOVERNANCE . 134 GESETZLICHE RICHTLINIEN FUER DIE US-PHARMAINDUSTRIE: GXP . 135 REGULIERUNG DES MODELLRISIKOMANAGEMENTS IN DER FINANZBRANCHE . 135 DATENSCHUTZBESTIMMUNGEN GEMAESS DSGVO UND CCPA . 136 DIE NAECHSTE WELLE AN KL-SPEZIFISCHEN REGULIERUNGEN . 137 DIE ENTSTEHUNG EINER VERANTWORTUNGSVOLLEN KI (RESPONSIBLE AI) . 139 SCHLUESSELELEMENTE VON RESPONSIBLE AI . 140 1. ELEMENT: DATEN . 140 2. ELEMENT: BIAS . 140 3. ELEMENT: INKLUSIVITAET . 142 4. ELEMENT: MODELLMANAGEMENT IM GROSSEN MASSSTAB . 143 5. ELEMENT: GOVERNANCE . 143 EINE VORLAGE FUER MLOPS-GOVERNANCE . 144 1. SCHRITT: VERSTEHEN UND KATEGORISIEREN DER ANALYTICS ANWENDUNGSFAELLE . 145 2. SCHRITT: EINE ETHISCHE GRUNDHALTUNG EINNEHMEN . 145 3. SCHRITT: VERANTWORTLICHKEITEN FESTLEGEN . 146 4. SCHRITT: RICHTLINIEN FUER DIE GOVERNANCE AUFSTELLEN . 147 5. SCHRITT: EINBINDEN VON RICHTLINIEN IN DEN MLOPS-PROZESS . 149 6. SCHRITT: WERKZEUGE FUER DAS ZENTRALE GOVERNANCE-MANAGEMENT AUSWAEHLEN . 150 7. SCHRITT: EINBINDEN UND SCHULEN . 151 8. SCHRITT: UEBERWACHEN UND OPTIMIEREN . 152 ABSCHLIESSENDE UEBERLEGUNGEN . 153 8 \| INHALT TEIL III MLOPS-ANWENDUNGSFAELLE AUS DER PRAXIS 9 MLOPS IN DER PRAXIS: KREDITRISIKOMANAGEMENT BEI DER VERGABE VON VERBRAUCHERKREDITEN . 157 HINTERGRUENDE DES GESCHAEFTLICHEN ANWENDUNGSFALLS . 157 MODELLENTWICKLUNG . 158 UEBERLEGUNGEN ZU BIAS IN MODELLEN . 159 PRODUKTIONSVORBEREITUNG . 160 DEPLOYMENT IN DIE PRODUKTIVUMGEBUNG . 161 ABSCHLIESSENDE UEBERLEGUNGEN . 161 10 MLOPS IN DER PRAXIS: EMPFEHLUNGSSYSTEME IM MARKETING . 163 EMPFEHLUNGSSYSTEME IM WANDEL DER ZEIT . 163 DIE ROLLE VON MACHINE LEARNING . 164 PUSH ODER PULL-EMPFEHLUNGEN? . 164 DATENAUFBEREITUNG . 165 EXPERIMENTE KONZIPIEREN UND VERWALTEN . 166 TRAINING UND DEPLOYMENT VON MODELLEN . 167 SKALIERBARKEIT UND ANPASSUNGSMOEGLICHKEITEN . 168 MONITORING UND RETRAINING-STRATEGIE . 168 AUSWERTUNG DER ANFRAGEN IN ECHTZEIT (REAL-TIME-SCORING) . 169 MOEGLICHKEIT, DAS EMPFEHLUNGSSYSTEM EIN ODER AUSZUSCHALTEN . 169 AUFBAU DER PIPELINE UND DEPLOYMENT-STRATEGIE . 169 MONITORING UND FEEDBACK . 171 MODELLE NEU TRAINIEREN (RETRAINING) . 171 MODELLE AKTUALISIEREN . 171 UEBER NACHT LAUFEN UND TAGSUEBER RUHEN LASSEN . 172 MOEGLICHKEITEN ZUR MANUELLEN ANPASSUNG VON MODELLEN . 172 MOEGLICHKEIT DER AUTOMATISCHEN VERWALTUNG VON MODELLVERSIONEN . 173 DIE QUALITAET DES MODELLS UEBERWACHEN . 173 ABSCHLIESSENDE UEBERLEGUNGEN . 174 11 MLOPS IN DER PRAXIS: DIE VERBRAUCHSPROGNOSE AM BEISPIEL DER LASTPROGNOSE . 177 STROMVERSORGUNGSSYSTEME . 177 DATENERHEBUNG . 179 VOM ANWENDUNGSFALL ABHAENGIG: MACHINE LEARNING VERWENDEN ODER NICHT? . 181 RAEUMLICHE UND ZEITLICHE DIFFERENZIERUNG . 182 INHALT \| 9 UMSETZUNG . 183 MODELLENTWICKLUNG . 184 DEPLOYMENT . 186 MONITORING . 187 ABSCHLIESSENDE UEBERLEGUNGEN . 188 INDEX . 189 10 \| INHALT
any_adam_object	1
any_adam_object_boolean	1
author	Treveil, Mark
author2	Fraaß, Marcus
author2_role	trl
author2_variant	m f mf
author_GND	(DE-588)1240508573 (DE-588)1181254078
author_facet	Treveil, Mark Fraaß, Marcus
author_role	aut
author_sort	Treveil, Mark
author_variant	m t mt
building	Verbundindex
bvnumber	BV047335915
classification_rvk	ST 302
ctrlnum	(OCoLC)1266246178 (DE-599)DNB1232517542
discipline	Informatik
discipline_str_mv	Informatik
edition	1. Auflage
format	Book
fullrecord	<?xml version="1.0" encoding="UTF-8"?><collection xmlns="http://www.loc.gov/MARC21/slim"><record><leader>03040nam a22007698c 4500</leader><controlfield tag="001">BV047335915</controlfield><controlfield tag="003">DE-604</controlfield><controlfield tag="005">20211021 </controlfield><controlfield tag="007">t</controlfield><controlfield tag="008">210617s2021 gw a\|\|\| \|\|\|\| 00\|\|\| ger d</controlfield><datafield tag="015" ind1=" " ind2=" "><subfield code="a">21,N18</subfield><subfield code="2">dnb</subfield></datafield><datafield tag="016" ind1="7" ind2=" "><subfield code="a">1232517542</subfield><subfield code="2">DE-101</subfield></datafield><datafield tag="020" ind1=" " ind2=" "><subfield code="a">9783960091721</subfield><subfield code="c">: circa EUR 32.90 (DE), circa EUR 33.90 (AT)</subfield><subfield code="9">978-3-96009-172-1</subfield></datafield><datafield tag="020" ind1=" " ind2=" "><subfield code="a">3960091729</subfield><subfield code="9">3-96009-172-9</subfield></datafield><datafield tag="024" ind1="3" ind2=" "><subfield code="a">9783960091721</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(OCoLC)1266246178</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(DE-599)DNB1232517542</subfield></datafield><datafield tag="040" ind1=" " ind2=" "><subfield code="a">DE-604</subfield><subfield code="b">ger</subfield><subfield code="e">rda</subfield></datafield><datafield tag="041" ind1="1" ind2=" "><subfield code="a">ger</subfield><subfield code="h">eng</subfield></datafield><datafield tag="044" ind1=" " ind2=" "><subfield code="a">gw</subfield><subfield code="c">XA-DE-BW</subfield></datafield><datafield tag="049" ind1=" " ind2=" "><subfield code="a">DE-1102</subfield><subfield code="a">DE-706</subfield><subfield code="a">DE-1051</subfield><subfield code="a">DE-1043</subfield><subfield code="a">DE-859</subfield><subfield code="a">DE-N2</subfield><subfield code="a">DE-Aug4</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">ST 302</subfield><subfield code="0">(DE-625)143652:</subfield><subfield code="2">rvk</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="8">1\p</subfield><subfield code="a">004</subfield><subfield code="2">23sdnb</subfield></datafield><datafield tag="100" ind1="1" ind2=" "><subfield code="a">Treveil, Mark</subfield><subfield code="e">Verfasser</subfield><subfield code="0">(DE-588)1240508573</subfield><subfield code="4">aut</subfield></datafield><datafield tag="240" ind1="1" ind2="0"><subfield code="a">Introducing MLOps</subfield></datafield><datafield tag="245" ind1="1" ind2="0"><subfield code="a">MLOps – Kernkonzepte im Überblick</subfield><subfield code="b">Machine-Learning-Prozesse im Unternehmen nachhaltig automatisieren und skalieren</subfield><subfield code="c">Mark Treveil und das Dataiku-Team ; deutsche Übersetzung von Marcus Fraaß</subfield></datafield><datafield tag="250" ind1=" " ind2=" "><subfield code="a">1. Auflage</subfield></datafield><datafield tag="264" ind1=" " ind2="1"><subfield code="a">Heidelberg</subfield><subfield code="b">O'Reilly</subfield><subfield code="c">[2021]</subfield></datafield><datafield tag="264" ind1=" " ind2="4"><subfield code="c">© 2021</subfield></datafield><datafield tag="300" ind1=" " ind2=" "><subfield code="a">201 Seiten</subfield><subfield code="b">Illustrationen</subfield><subfield code="c">24 cm x 16.5 cm</subfield></datafield><datafield tag="336" ind1=" " ind2=" "><subfield code="b">txt</subfield><subfield code="2">rdacontent</subfield></datafield><datafield tag="337" ind1=" " ind2=" "><subfield code="b">n</subfield><subfield code="2">rdamedia</subfield></datafield><datafield tag="338" ind1=" " ind2=" "><subfield code="b">nc</subfield><subfield code="2">rdacarrier</subfield></datafield><datafield tag="500" ind1=" " ind2=" "><subfield code="a">Auf dem Cover: "Deutsche Ausgabe"</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Datenmanagement</subfield><subfield code="0">(DE-588)4213132-7</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Unternehmen</subfield><subfield code="0">(DE-588)4061963-1</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Maschinelles Lernen</subfield><subfield code="0">(DE-588)4193754-5</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">DevOps</subfield><subfield code="0">(DE-588)1133086942</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">AI</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Artificial Intelligence</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Deep Learning</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">KI</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Künstliche Intelligenz</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Maschinelles Lernen</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Neuronale Netze</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Python</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Statistische Datenanalyse</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Machine Learning Operations</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">DevOps</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Machine-Learning-Modelle</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Data Science</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Data Engineering</subfield></datafield><datafield tag="689" ind1="0" ind2="0"><subfield code="a">Maschinelles Lernen</subfield><subfield code="0">(DE-588)4193754-5</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2=" "><subfield code="5">DE-604</subfield></datafield><datafield tag="689" ind1="1" ind2="0"><subfield code="a">Unternehmen</subfield><subfield code="0">(DE-588)4061963-1</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="1" ind2="1"><subfield code="a">Maschinelles Lernen</subfield><subfield code="0">(DE-588)4193754-5</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="1" ind2="2"><subfield code="a">DevOps</subfield><subfield code="0">(DE-588)1133086942</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="1" ind2="3"><subfield code="a">Datenmanagement</subfield><subfield code="0">(DE-588)4213132-7</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="1" ind2=" "><subfield code="5">DE-604</subfield></datafield><datafield tag="700" ind1="1" ind2=" "><subfield code="a">Fraaß, Marcus</subfield><subfield code="0">(DE-588)1181254078</subfield><subfield code="4">trl</subfield></datafield><datafield tag="775" ind1="0" ind2="8"><subfield code="i">Parallele Sprachausgabe</subfield><subfield code="z">9781492083290</subfield></datafield><datafield tag="776" ind1="0" ind2="8"><subfield code="i">Erscheint auch als</subfield><subfield code="n">Online-Ausgabe, PDF</subfield><subfield code="z">9783960105800</subfield></datafield><datafield tag="776" ind1="0" ind2="8"><subfield code="i">Erscheint auch als</subfield><subfield code="n">Online-Ausgabe, EPUB</subfield><subfield code="z">9783960105817</subfield></datafield><datafield tag="776" ind1="0" ind2="8"><subfield code="i">Erscheint auch als</subfield><subfield code="n">Online-Ausgabe, MOBI</subfield><subfield code="z">9783960105824</subfield></datafield><datafield tag="856" ind1="4" ind2="2"><subfield code="m">DNB Datenaustausch</subfield><subfield code="q">application/pdf</subfield><subfield code="u">http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=032738436&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA</subfield><subfield code="3">Inhaltsverzeichnis</subfield></datafield><datafield tag="999" ind1=" " ind2=" "><subfield code="a">oai:aleph.bib-bvb.de:BVB01-032738436</subfield></datafield><datafield tag="883" ind1="2" ind2=" "><subfield code="8">1\p</subfield><subfield code="a">dnb</subfield><subfield code="d">20210426</subfield><subfield code="q">DE-101</subfield><subfield code="u">https://d-nb.info/provenance/plan#dnb</subfield></datafield></record></collection>
id	DE-604.BV047335915
illustrated	Illustrated
index_date	2024-07-03T17:32:40Z
indexdate	2024-07-10T09:09:19Z
institution	BVB
isbn	9783960091721 3960091729
language	German English
oai_aleph_id	oai:aleph.bib-bvb.de:BVB01-032738436
oclc_num	1266246178
open_access_boolean
owner	DE-1102 DE-706 DE-1051 DE-1043 DE-859 DE-N2 DE-Aug4
owner_facet	DE-1102 DE-706 DE-1051 DE-1043 DE-859 DE-N2 DE-Aug4
physical	201 Seiten Illustrationen 24 cm x 16.5 cm
publishDate	2021
publishDateSearch	2021
publishDateSort	2021
publisher	O'Reilly
record_format	marc
spelling	Treveil, Mark Verfasser (DE-588)1240508573 aut Introducing MLOps MLOps – Kernkonzepte im Überblick Machine-Learning-Prozesse im Unternehmen nachhaltig automatisieren und skalieren Mark Treveil und das Dataiku-Team ; deutsche Übersetzung von Marcus Fraaß 1. Auflage Heidelberg O'Reilly [2021] © 2021 201 Seiten Illustrationen 24 cm x 16.5 cm txt rdacontent n rdamedia nc rdacarrier Auf dem Cover: "Deutsche Ausgabe" Datenmanagement (DE-588)4213132-7 gnd rswk-swf Unternehmen (DE-588)4061963-1 gnd rswk-swf Maschinelles Lernen (DE-588)4193754-5 gnd rswk-swf DevOps (DE-588)1133086942 gnd rswk-swf AI Artificial Intelligence Deep Learning KI Künstliche Intelligenz Maschinelles Lernen Neuronale Netze Python Statistische Datenanalyse Machine Learning Operations DevOps Machine-Learning-Modelle Data Science Data Engineering Maschinelles Lernen (DE-588)4193754-5 s DE-604 Unternehmen (DE-588)4061963-1 s DevOps (DE-588)1133086942 s Datenmanagement (DE-588)4213132-7 s Fraaß, Marcus (DE-588)1181254078 trl Parallele Sprachausgabe 9781492083290 Erscheint auch als Online-Ausgabe, PDF 9783960105800 Erscheint auch als Online-Ausgabe, EPUB 9783960105817 Erscheint auch als Online-Ausgabe, MOBI 9783960105824 DNB Datenaustausch application/pdf http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=032738436&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA Inhaltsverzeichnis 1\p dnb 20210426 DE-101 https://d-nb.info/provenance/plan#dnb
spellingShingle	Treveil, Mark MLOps – Kernkonzepte im Überblick Machine-Learning-Prozesse im Unternehmen nachhaltig automatisieren und skalieren Datenmanagement (DE-588)4213132-7 gnd Unternehmen (DE-588)4061963-1 gnd Maschinelles Lernen (DE-588)4193754-5 gnd DevOps (DE-588)1133086942 gnd
subject_GND	(DE-588)4213132-7 (DE-588)4061963-1 (DE-588)4193754-5 (DE-588)1133086942
title	MLOps – Kernkonzepte im Überblick Machine-Learning-Prozesse im Unternehmen nachhaltig automatisieren und skalieren
title_alt	Introducing MLOps
title_auth	MLOps – Kernkonzepte im Überblick Machine-Learning-Prozesse im Unternehmen nachhaltig automatisieren und skalieren
title_exact_search	MLOps – Kernkonzepte im Überblick Machine-Learning-Prozesse im Unternehmen nachhaltig automatisieren und skalieren
title_exact_search_txtP	MLOps – Kernkonzepte im Überblick Machine-Learning-Prozesse im Unternehmen nachhaltig automatisieren und skalieren
title_full	MLOps – Kernkonzepte im Überblick Machine-Learning-Prozesse im Unternehmen nachhaltig automatisieren und skalieren Mark Treveil und das Dataiku-Team ; deutsche Übersetzung von Marcus Fraaß
title_fullStr	MLOps – Kernkonzepte im Überblick Machine-Learning-Prozesse im Unternehmen nachhaltig automatisieren und skalieren Mark Treveil und das Dataiku-Team ; deutsche Übersetzung von Marcus Fraaß
title_full_unstemmed	MLOps – Kernkonzepte im Überblick Machine-Learning-Prozesse im Unternehmen nachhaltig automatisieren und skalieren Mark Treveil und das Dataiku-Team ; deutsche Übersetzung von Marcus Fraaß
title_short	MLOps – Kernkonzepte im Überblick
title_sort	mlops kernkonzepte im uberblick machine learning prozesse im unternehmen nachhaltig automatisieren und skalieren
title_sub	Machine-Learning-Prozesse im Unternehmen nachhaltig automatisieren und skalieren
topic	Datenmanagement (DE-588)4213132-7 gnd Unternehmen (DE-588)4061963-1 gnd Maschinelles Lernen (DE-588)4193754-5 gnd DevOps (DE-588)1133086942 gnd
topic_facet	Datenmanagement Unternehmen Maschinelles Lernen DevOps
url	http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=032738436&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA
work_keys_str_mv	AT treveilmark introducingmlops AT fraaßmarcus introducingmlops AT treveilmark mlopskernkonzepteimuberblickmachinelearningprozesseimunternehmennachhaltigautomatisierenundskalieren AT fraaßmarcus mlopskernkonzepteimuberblickmachinelearningprozesseimunternehmennachhaltigautomatisierenundskalieren

Verfügbarkeit

Es ist kein Print-Exemplar vorhanden.

Fernleihe Bestellen Achtung: Nicht im THWS-Bestand! Inhaltsverzeichnis

MARC

Datensatz im Suchindex

Es ist kein Print-Exemplar vorhanden.

Ähnliche Einträge