Designing Deep Learning Systems: A Guide for Software Engineers
Эта книга представляет собой практическое руководство по проектированию и созданию масштабируемых, надежных и эффективных систем для глубокого обучения (Deep Learning). Авторы фокусируются не на алгоритмах машинного обучения, а на инженерных аспектах: как построить инфраструктуру, которая поддерживает полный жизненный цикл ML-продукта — от сбора данных до развертывания модели в продакшене.
Книга детально разбирает архитектуру эталонной системы глубокого обучения, включая ключевые компоненты: сервис управления датасетами, сервис обучения моделей (включая распределенное обучение и оптимизацию гиперпараметров), сервис обслуживания моделей (model serving), хранилище метаданных и артефактов, а также оркестрацию рабочих процессов (workflow orchestration). Особое внимание уделяется пути модели в продакшен (MLOps).
Издание ориентировано на software engineers и ML-инженеров, которые хотят понять, как проектировать и строить промышленные ML-системы. Материал подкреплен примерами и рассмотрением open-source решений. Книга учит мыслить в терминах системной архитектуры, масштабируемости и воспроизводимости экспериментов, что критически важно для успешной реализации AI-проектов.
