В 2024 году важно ознакомиться с книгами по MLOps, которые предлагают практические решения для проблем в машинном обучении. Они помогут вам построить надежные системы обучения и развертывания масштабных ML-систем. Книги также учат основам MLOps, проектированию надежных и масштабируемых систем машинного обучения, а также предоставляют руководства по автоматизации процесса, разработке систем мониторинга и ответственным ML-системам. Кроме того, они охватывают практические решения для построения масштабируемых решений с использованием Python, последних инструментов и фреймворков, а также помогают выбрать правильные инструменты MLOps и реализовать решения в облачных платформах, таких как AWS, Microsoft Azure и Google Cloud. Также представлены книги, которые помогут менеджерам понять концепции и методологии науки о данных, а также руководства по созданию ML-приложений и использованию облачных сервисов для развертывания ML-систем.
Список книг по MLOps
Machine Learning Engineering — Андрей Бурков
Одна из самых популярных и фундаментальных книг на русском языке. Покрывает весь жизненный цикл ML-моделей: от проектирования до внедрения и поддержки в продакшене. Книга не зацикливается на инструментах, а объясняет общие подходы, сложности и лучшие практики MLOps
ML in Production — Луиджи Патруно
Практическое руководство по развертыванию и поддержке ML-моделей в реальных системах. Подходит для инженеров, которые хотят понять, как внедрять и сопровождать ML-решения в production-среде
Building Machine Learning Pipelines: Automating Model Life Cycle Management with TensorFlow — Hannes Hapke, Catherine Nelson
Книга ориентирована на автоматизацию жизненного цикла ML-моделей с использованием TFX и Apache Beam. Особенно полезна тем, кто работает с TensorFlow, но может быть менее универсальной для других стэков
MLOps: Model management, orchestration, and deployment for production machine learning
Современное руководство по управлению, оркестрации и деплою моделей. Рассматриваются вопросы автоматизации, мониторинга, масштабирования и выбора инструментов для MLOps
Practical MLOps: Operationalizing Machine Learning Models — Noah Gift, Alfredo Deza
Практическая книга по внедрению MLOps-процессов на Python, с примерами для AWS, Azure и Google Cloud. Охватывает автоматизацию, CI/CD, мониторинг и эксплуатацию ML-систем
Designing Machine Learning Systems — Chip Huyen
Руководство по проектированию масштабируемых и надежных ML-систем с акцентом на архитектуру, автоматизацию и best practices. Подходит для инженеров и архитекторов ML-платформ
Дополнительные ресурсы:
Awesome production machine learning — GitHub-репозиторий с подборкой лучших инструментов, библиотек и практик для MLOps
Курсы и видео:
Краткое сравнение ключевых книг
| Книга/Ресурс | Описание и особенности | Для кого подходит |
|---|---|---|
| Machine Learning Engineering (Бурков) | Базовые и продвинутые концепции MLOps, без привязки к стеку | Начинающие и опытные |
| ML in Production (Патруно) | Практика внедрения и поддержки ML в продакшене | Инженеры, практики |
| Building Machine Learning Pipelines | Автоматизация пайплайнов, TFX, TensorFlow | TensorFlow-инженеры |
| Practical MLOps (Gift, Deza) | Автоматизация, CI/CD, облака, Python | Практики, инженеры |
| Designing Machine Learning Systems (Huyen) | Архитектура, best practices, масштабирование | Архитекторы, инженеры |
Вывод
Для старта рекомендуется “Machine Learning Engineering” Андрея Буркова и “Practical MLOps”. Для более глубокого понимания архитектуры — “Designing Machine Learning Systems”. Для практики с пайплайнами — “Building Machine Learning Pipelines”. Онлайн-ресурсы и сообщества помогут оставаться в курсе новых инструментов и подходов.
