Projetando Sistemas de Machine Learning.
Os sistemas de Machine Learning (ML) são complexos e únicos.
Complexos porque são compostos de muitos componentes diferentes e envolvem muitas partes interessadas diferentes.
Únicos porque são dependentes de dados, e esses dados variam muito de um caso de uso para outro.
Neste livro, você aprenderá uma abordagem holística para projetar sistemas de ML que sejam confiáveis, escaláveis, de fácil manutenção e adaptáveis a ambientes em constante mudança e requisitos de negócios.
A autora Chip Huyen, cofundadora da Claypot AI, considera como cada decisão de design - como processar e criar dados de treinamento, quais recursos usar, com que frequência treinar modelos e o que monitorar - pode ajudar seu sistema como um todo a atingir os objetivos.
A estrutura iterativa neste livro usa estudos de caso reais respaldados por vastas referências.
Este livro o ajudará a lidar com os seguintes cenários:
Engenharia de dados e escolha das métricas adequadas para resolver problemas de negócios
Automatizar o processo para desenvolver, avaliar, fazer deploy e atualizar continuamente modelos
Desenvolver um sistema de monitoramento para detectar e resolver depressa os problemas que seus modelos podem encontrar em produção.
Arquitetar uma plataforma de ML que atende a todos os casos de uso Desenvolvimento de sistemas responsáveis de ML.
Este é simplesmente o melhor livro para se ler sobre como criar, implementar e escalar modelos de machine learning em uma empresa para obter o máximo impacto - Josh Wills, Engenheiro de Software na WeaveGrid e ex-diretor de Data Engineering no Slack.
Em um mapa próspero do ecossistema, ainda que caótico, a visão de princípios apresentados sobre ML de ponta a ponta serve como uma leitura obrigatória para profissionais dentro e fora da Big Tech, sobretudo para aqueles que trabalham em escala razoável - Jacopo Tagliabue, Diretor de IA da Coveo.
