Апгрейд машинного обучения: руководство по MLOps, LLMs и инфраструктуре ML для дата-сайентистов

Эпоха разрозненных команд аналитиков завершена: большие языковые модели (LLM) стали фундаментом бизнеса. Эта книга — дорожная карта от идеи до внедрения надежного ИИ-продукта. Ведущие эксперты отрасли проводят читателя через полный цикл создания приложения на базе LLM, формируя современный индустриальный конвейер.

Вы освоите версионирование данных, трекинг экспериментов в MLflow и мониторинг моделей в продакшене. Особое внимание уделено этике ответственного ИИ, управлению неструктурированными данными и стратегиям бесшовной интеграции нейросетей в корпоративную инфраструктуру без остановки сервиса.

Книга начинается с введения в современное машинное обучение и сквозной подход к построению систем. Затем рассматривается подход, ориентированный на данные, включая построение наборов данных и принцип «Just Enough». Отдельные главы посвящены приручению LLM: выбору моделей, управлению экспериментами и развертыванию.

Из набора инструментов машинное обучение превращается в слаженную систему, приносящую реальную бизнес-ценность. Издание будет полезно дата-сайентистам, ML-инженерам и техническим руководителям, стремящимся внедрять надежные ИИ-решения.