Il y a une raison pour laquelle les équipes d'apprentissage automatique réussissent si bien.
 |
Description
Introduction au livre
Comment analyser la structure d'un projet d'apprentissage automatique et la relier à des performances optimales.
Il contient tout le savoir-faire en matière de développement et de gestion de produits ainsi que les stratégies de fonctionnement des équipes, y compris les tests automatisés, la refactorisation, le MLOps et les technologies de collaboration !
Bien que la technologie d'entraînement des modèles d'apprentissage automatique soit déjà largement répandue dans de nombreuses organisations, la connexion de ces modèles à des produits qui apportent de la valeur aux clients réels reste un défi.
Les modèles restent souvent au stade de preuve de concept sans être déployés, et même après des mois de développement, les projets peuvent être bloqués en raison d'une dégradation des performances, d'une dette technique et de conflits entre les équipes.
Ce livre présente des méthodes pratiques pour résoudre de tels problèmes réalistes.
Au-delà des simples algorithmes et outils, cet ouvrage aborde les aspects pratiques de la planification, de la collaboration et de l'amélioration continue des produits au sein des équipes. Du MLOps et de l'intégration continue/déploiement continu (CI/CD) aux tests automatisés, en passant par la configuration d'environnements de conteneurs et les structures de collaboration, il dépasse le simple cadre de l'excellence en apprentissage automatique pour répondre à la question fondamentale du fonctionnement optimal des équipes d'apprentissage automatique. Je recommande vivement ce livre à toute personne s'intéressant à la stratégie d'équipe, à la culture, aux processus et à l'organisation, au-delà des seules technologies d'apprentissage automatique.
Il contient tout le savoir-faire en matière de développement et de gestion de produits ainsi que les stratégies de fonctionnement des équipes, y compris les tests automatisés, la refactorisation, le MLOps et les technologies de collaboration !
Bien que la technologie d'entraînement des modèles d'apprentissage automatique soit déjà largement répandue dans de nombreuses organisations, la connexion de ces modèles à des produits qui apportent de la valeur aux clients réels reste un défi.
Les modèles restent souvent au stade de preuve de concept sans être déployés, et même après des mois de développement, les projets peuvent être bloqués en raison d'une dégradation des performances, d'une dette technique et de conflits entre les équipes.
Ce livre présente des méthodes pratiques pour résoudre de tels problèmes réalistes.
Au-delà des simples algorithmes et outils, cet ouvrage aborde les aspects pratiques de la planification, de la collaboration et de l'amélioration continue des produits au sein des équipes. Du MLOps et de l'intégration continue/déploiement continu (CI/CD) aux tests automatisés, en passant par la configuration d'environnements de conteneurs et les structures de collaboration, il dépasse le simple cadre de l'excellence en apprentissage automatique pour répondre à la question fondamentale du fonctionnement optimal des équipes d'apprentissage automatique. Je recommande vivement ce livre à toute personne s'intéressant à la stratégie d'équipe, à la culture, aux processus et à l'organisation, au-delà des seules technologies d'apprentissage automatique.
- Vous pouvez consulter un aperçu du contenu du livre.
Aperçu
indice
CHAPITRE 01 Défis et meilleures orientations dans la fourniture de solutions d'apprentissage automatique
1.1 Attentes et réalité de l'apprentissage automatique
1.2 Comment utiliser la pensée systémique et le Lean
1.3 Conclusion
[PARTIE 01 PRODUIT ET LIVRAISON]
CHAPITRE 02 Produits et techniques de livraison pour les équipes d'apprentissage automatique
2,1 ml de produit trouvés
2.2 Premiers pas : Préparer votre équipe à la réussite
2.3 Livraison des produits
2.4 Conclusion
[PARTIE 02 Ingénierie]
CHAPITRE 03 Gestion efficace des dépendances : principes et outils
_3.1 Et si votre code fonctionnait toujours, partout ?
3.2 Une brève introduction à Docker et Batect
3.3 Conclusion
CHAPITRE 04 Gestion efficace des dépendances en pratique
4.1 Flux de travail de développement ML
4.2 Gestion sécurisée des dépendances
4.3 Conclusion
CHAPITRE 05 Tests automatisés : aller vite et éviter les problèmes
5.1 Tests automatisés : Les fondamentaux d’une itération rapide et fiable
5.2 Composantes d'une stratégie de test complète pour les systèmes d'apprentissage automatique
5.3 Tests logiciels
5.4 Conclusion
CHAPITRE 06 Tests automatisés : Tests des modèles d’apprentissage automatique
_6.1 Tests de modélisation
6.2 Techniques complémentaires essentielles pour les tests de modèles
_6.3 Prochaine étape : Mettre en pratique ce que vous avez appris
6.4 Conclusion
CHAPITRE 07 Utiliser efficacement l'éditeur de code grâce à des techniques simples
_7.1 Les avantages de connaître un EDI (et son incroyable simplicité)
_7.2 Plan : Augmenter la productivité en deux étapes
7.3 Conclusion
CHAPITRE 08 Refactorisation et gestion de la dette technique
8.1 Dette technique : Du sable dans les rouages
_8.2 Comment refactoriser un notebook (ou une base de code problématique)
8.3 Gérer la dette technique dans le monde réel
8.4 Conclusion
CHAPITRE 09 Livraison continue pour MLOps et ML (CD4ML)
_9.1 Points forts et lacunes des MLOps
_9.2 Administration continue pour ML (CD4ML)
9.3 Comment CD4ML soutient la gouvernance du ML et l'IA responsable
_9.4 Conclusion
[PARTIE 03 Équipe]
CHAPITRE 10 ÉLÉMENTS D'UNE ÉQUIPE D'APPRENTISSAGE MATÉRIEL PERFORMANT
_10.1 Problèmes courants rencontrés par les équipes d'apprentissage automatique
10.2 Composantes internes d'une équipe efficace
_10.3 Améliorer l'efficacité de l'ingénierie des flux
_10.4 Conclusion
CHAPITRE 11 Organisations efficaces en apprentissage automatique
_11.1 Défis communs auxquels sont confrontées les organisations d'apprentissage automatique
_11.2 Structure organisationnelle efficace au niveau de l'équipe
11.3 Leadership efficace
_11.4 Conclusion
1.1 Attentes et réalité de l'apprentissage automatique
1.2 Comment utiliser la pensée systémique et le Lean
1.3 Conclusion
[PARTIE 01 PRODUIT ET LIVRAISON]
CHAPITRE 02 Produits et techniques de livraison pour les équipes d'apprentissage automatique
2,1 ml de produit trouvés
2.2 Premiers pas : Préparer votre équipe à la réussite
2.3 Livraison des produits
2.4 Conclusion
[PARTIE 02 Ingénierie]
CHAPITRE 03 Gestion efficace des dépendances : principes et outils
_3.1 Et si votre code fonctionnait toujours, partout ?
3.2 Une brève introduction à Docker et Batect
3.3 Conclusion
CHAPITRE 04 Gestion efficace des dépendances en pratique
4.1 Flux de travail de développement ML
4.2 Gestion sécurisée des dépendances
4.3 Conclusion
CHAPITRE 05 Tests automatisés : aller vite et éviter les problèmes
5.1 Tests automatisés : Les fondamentaux d’une itération rapide et fiable
5.2 Composantes d'une stratégie de test complète pour les systèmes d'apprentissage automatique
5.3 Tests logiciels
5.4 Conclusion
CHAPITRE 06 Tests automatisés : Tests des modèles d’apprentissage automatique
_6.1 Tests de modélisation
6.2 Techniques complémentaires essentielles pour les tests de modèles
_6.3 Prochaine étape : Mettre en pratique ce que vous avez appris
6.4 Conclusion
CHAPITRE 07 Utiliser efficacement l'éditeur de code grâce à des techniques simples
_7.1 Les avantages de connaître un EDI (et son incroyable simplicité)
_7.2 Plan : Augmenter la productivité en deux étapes
7.3 Conclusion
CHAPITRE 08 Refactorisation et gestion de la dette technique
8.1 Dette technique : Du sable dans les rouages
_8.2 Comment refactoriser un notebook (ou une base de code problématique)
8.3 Gérer la dette technique dans le monde réel
8.4 Conclusion
CHAPITRE 09 Livraison continue pour MLOps et ML (CD4ML)
_9.1 Points forts et lacunes des MLOps
_9.2 Administration continue pour ML (CD4ML)
9.3 Comment CD4ML soutient la gouvernance du ML et l'IA responsable
_9.4 Conclusion
[PARTIE 03 Équipe]
CHAPITRE 10 ÉLÉMENTS D'UNE ÉQUIPE D'APPRENTISSAGE MATÉRIEL PERFORMANT
_10.1 Problèmes courants rencontrés par les équipes d'apprentissage automatique
10.2 Composantes internes d'une équipe efficace
_10.3 Améliorer l'efficacité de l'ingénierie des flux
_10.4 Conclusion
CHAPITRE 11 Organisations efficaces en apprentissage automatique
_11.1 Défis communs auxquels sont confrontées les organisations d'apprentissage automatique
_11.2 Structure organisationnelle efficace au niveau de l'équipe
11.3 Leadership efficace
_11.4 Conclusion
Image détaillée
Avis de l'éditeur
Découvrez les secrets des équipes d'apprentissage automatique les plus performantes !
Face à d'innombrables projets d'apprentissage automatique (ML) qui stagnent au stade de la preuve de concept (PoC) ou échouent en raison de performances insuffisantes et de conflits inter-équipes, cet ouvrage dépasse le cadre des simples solutions techniques et propose une approche axée sur la gestion d'équipe et les stratégies de collaboration. Il couvre l'intégralité du processus, du développement du modèle ML à sa mise en production, son déploiement et son amélioration continue, et présente des méthodologies pratiques applicables efficacement à des projets concrets.
Les modèles de langage à grande échelle (LLM) ont révolutionné les projets d'apprentissage automatique et d'intelligence artificielle, facilitant l'automatisation et fournissant des modèles fondamentaux puissants.
Cependant, le LLM n'est pas une solution miracle à tous les problèmes, et les techniques ML/DL traditionnelles restent souvent plus appropriées.
De plus, l'utilisation efficace du LLM nécessite un haut niveau d'expertise et de gestion qui va au-delà du simple appel d'API, notamment une ingénierie rapide, un réglage fin, la construction d'un système RAG (génération de recherche augmentée) et la validation et l'évaluation des résultats.
Les principes de fonctionnement traditionnels d'une équipe d'apprentissage automatique et une approche d'ingénierie systématique restent essentiels pour réaliser efficacement ces tâches complexes.
Ce livre explique les techniques d'ingénierie les plus récentes, telles que MLOps, CI/CD et les tests automatisés, ainsi que des stratégies pratiques spécifiques basées sur les principes Lean et les stratégies de collaboration d'équipe, pour aider les équipes ML et les équipes de projets IA à continuer d'obtenir des résultats même au milieu de ces changements.
Je recommande ce livre à tous les praticiens et dirigeants qui souhaitent optimiser leurs performances en abordant les problèmes complexes de manière structurelle.
Contenu principal
● Méthode de développement de produits ML basée sur les principes du lean (réduire les échecs et répéter les succès)
● Utilisations pratiques du MLOps et du CI/CD (Comment réduire la dégradation des performances et la dette technique)
Tests automatisés, configuration d'environnements conteneurisés et techniques de refactorisation (un processus pratique de développement de produits d'apprentissage automatique)
● Structure organisationnelle et stratégie de collaboration pour les équipes d'apprentissage automatique (fonctionnement de l'équipe en tenant compte de l'efficacité et de l'efficience)
Face à d'innombrables projets d'apprentissage automatique (ML) qui stagnent au stade de la preuve de concept (PoC) ou échouent en raison de performances insuffisantes et de conflits inter-équipes, cet ouvrage dépasse le cadre des simples solutions techniques et propose une approche axée sur la gestion d'équipe et les stratégies de collaboration. Il couvre l'intégralité du processus, du développement du modèle ML à sa mise en production, son déploiement et son amélioration continue, et présente des méthodologies pratiques applicables efficacement à des projets concrets.
Les modèles de langage à grande échelle (LLM) ont révolutionné les projets d'apprentissage automatique et d'intelligence artificielle, facilitant l'automatisation et fournissant des modèles fondamentaux puissants.
Cependant, le LLM n'est pas une solution miracle à tous les problèmes, et les techniques ML/DL traditionnelles restent souvent plus appropriées.
De plus, l'utilisation efficace du LLM nécessite un haut niveau d'expertise et de gestion qui va au-delà du simple appel d'API, notamment une ingénierie rapide, un réglage fin, la construction d'un système RAG (génération de recherche augmentée) et la validation et l'évaluation des résultats.
Les principes de fonctionnement traditionnels d'une équipe d'apprentissage automatique et une approche d'ingénierie systématique restent essentiels pour réaliser efficacement ces tâches complexes.
Ce livre explique les techniques d'ingénierie les plus récentes, telles que MLOps, CI/CD et les tests automatisés, ainsi que des stratégies pratiques spécifiques basées sur les principes Lean et les stratégies de collaboration d'équipe, pour aider les équipes ML et les équipes de projets IA à continuer d'obtenir des résultats même au milieu de ces changements.
Je recommande ce livre à tous les praticiens et dirigeants qui souhaitent optimiser leurs performances en abordant les problèmes complexes de manière structurelle.
Contenu principal
● Méthode de développement de produits ML basée sur les principes du lean (réduire les échecs et répéter les succès)
● Utilisations pratiques du MLOps et du CI/CD (Comment réduire la dégradation des performances et la dette technique)
Tests automatisés, configuration d'environnements conteneurisés et techniques de refactorisation (un processus pratique de développement de produits d'apprentissage automatique)
● Structure organisationnelle et stratégie de collaboration pour les équipes d'apprentissage automatique (fonctionnement de l'équipe en tenant compte de l'efficacité et de l'efficience)
SPÉCIFICATIONS DES PRODUITS
- Date d'émission : 30 mai 2025
- Nombre de pages, poids, dimensions : 484 pages | 183 × 235 × 19 mm
- ISBN13 : 9791169213875
- ISBN10 : 1169213871
Vous aimerez peut-être aussi
카테고리
Langue coréenne
Langue coréenne
![GQ KOREA Mark (Mensuel) : décembre [2025]](http://librairie.coreenne.fr/cdn/shop/files/8ef265dbbfbf186523ed75ba7319009d.jpg?v=1765340328&width=3840)
