📦The Greats

La version open source de TensorFlow par Google en 2016 a fourni aux chercheurs et aux ingénieurs de production un cadre commun pour décrire et exécuter de nombreuses charges de travail d'apprentissage automatique. Sa diffusion a mis en évidence la manière dont les cadres, les outils et les environnements de déploiement influencent les idées qui peuvent passer de la recherche aux produits.

À Stanford, Koller a co-écrit le manuel Probabilistic Graphical Models, qui a donné aux étudiants et aux praticiens un vocabulaire systématique sur l'incertitude et la prédiction structurée. Ses travaux ultérieurs sur la création d'organisations autour de l'apprentissage en ligne et de la découverte de médicaments illustrent les systèmes nécessaires autour des modèles.

Rudin a fait valoir que pour les décisions à enjeux élevés, un modèle opaque associé à une explication post-hoc est souvent un piètre substitut à un modèle conçu pour être interprétable dès le départ. Cet argument affecte directement les pratiques d’évaluation et d’approbation de modèles MLOps.

Son livre de 2017, Designing Data-Intensive Applications, a traduit les leçons durement acquises sur les systèmes distribués en un guide d'ingénierie largement lu. Les ingénieurs MLOps utilisent les mêmes questions sur la lignée, la latence, l'exactitude et l'échec lors de la création de flux de données de formation et d'inférence.

Grâce aux cours fast.ai, Thomas et ses collaborateurs ont rendu l’enseignement pratique du deep learning accessible à de nombreux apprenants en dehors des laboratoires de recherche d’élite. Son plaidoyer ultérieur en faveur de la responsabilité a renforcé l’idée selon laquelle les équipes de déploiement doivent mesurer les préjudices, et pas seulement l’exactitude.

Son livre de 2022, Designing Machine Learning Systems, a rassemblé des leçons opérationnelles (changements de distribution des données, boucles de rétroaction, évaluation et infrastructure) qui avaient souvent été dispersées entre les équipes d'ingénierie. C'est devenu une référence commune pour les personnes essayant de rendre les MLOps concrets.

Gebru a co-écrit l'article « Datasheets for Datasets » de 2018, proposant une documentation standardisée pour la motivation, la composition et la collecte des ensembles de données. L'idée donne aux équipes opérationnelles un moyen de se demander ce que représente le matériel de formation d'un modèle avant de le déployer dans un nouveau contexte.