📦Die Großen

Googles Open-Source-Veröffentlichung von TensorFlow 2016 gab Forschern und Produktionsingenieuren ein gemeinsames Framework, um viele Machine-Learning-Workloads zu beschreiben und auszuführen. Seine Verbreitung zeigte, wie Frameworks, Werkzeuge und Bereitstellungsumgebungen beeinflussen, welche Ideen von der Forschung in Produkte gelangen können.

An der Stanford University war Koller Mitautorin des Lehrbuchs Probabilistic Graphical Models, das Studierenden und Praktikern ein systematisches Vokabular für Unsicherheit und strukturierte Vorhersage gab. Ihre spätere Arbeit beim Aufbau von Organisationen rund um Online-Lernen und Medikamentenforschung zeigt, welche Systeme Modelle umgeben müssen.

Rudin hat argumentiert, dass bei folgenreichen Entscheidungen ein undurchsichtiges Modell mit nachträglicher Erklärung oft ein schlechter Ersatz für ein von Anfang an interpretierbar konzipiertes Modell ist. Das Argument beeinflusst unmittelbar MLOps-Evaluations- und Modellfreigabepraktiken.

Sein 2017 erschienenes Buch Designing Data-Intensive Applications übersetzte hart erkämpfte Lehren zu verteilten Systemen in einen weitgelesenen Ingenieursleitfaden. MLOps-Ingenieure stellen sich dieselben Fragen zu Herkunft, Latenz, Korrektheit und Ausfall beim Aufbau von Trainings- und Inferenz-Datenflüssen.

Durch fast.ai-Kurse machten Thomas und Mitstreiter praktischen Deep-Learning-Unterricht vielen Lernenden außerhalb elitärer Forschungslabore zugänglich. Ihr späteres Eintreten für Rechenschaftspflicht hat die Idee verstärkt, dass Bereitstellungsteams Schäden messen müssen, nicht nur Genauigkeit.

Ihr 2022 erschienenes Buch Designing Machine Learning Systems sammelte betriebliche Lehren — Verschiebungen der Datenverteilung, Rückkopplungsschleifen, Evaluation und Infrastruktur —, die oft über Ingenieursteams verstreut waren. Es wurde zu einer gängigen Referenz für Menschen, die MLOps greifbar machen wollten.

Gebru war Mitautorin des 2018 erschienenen Papers „Datasheets for Datasets“, das standardisierte Dokumentation für Motivation, Zusammensetzung und Erhebung von Datensätzen vorschlug. Die Idee gibt operativen Teams eine Möglichkeit zu fragen, was das Trainingsmaterial eines Modells repräsentiert, bevor es in einem neuen Kontext bereitgestellt wird.