📦The Greats

O lançamento do TensorFlow como código aberto pelo Google em 2016 deu aos pesquisadores e engenheiros de produção uma estrutura comum para descrever e executar muitas cargas de trabalho de aprendizado de máquina. Sua divulgação destacou como estruturas, ferramentas e ambientes de implantação influenciam quais ideias podem passar da pesquisa para produtos.

Em Stanford, Koller foi coautor do livro Probabilistic Graphical Models, que deu aos estudantes e profissionais um vocabulário sistemático para incerteza e previsão estruturada. Seu trabalho posterior na construção de organizações em torno do aprendizado on-line e da descoberta de medicamentos ilustra os sistemas necessários em torno dos modelos.

Rudin argumentou que, para decisões de alto risco, um modelo opaco combinado com uma explicação post-hoc é muitas vezes um fraco substituto para um modelo concebido para ser interpretável desde o início. O argumento afeta diretamente a avaliação de MLOps e as práticas de aprovação de modelos.

Seu livro de 2017, Designing Data-Intensive Applications, traduziu lições de sistemas distribuídos duramente conquistadas em um guia de engenharia amplamente lido. Os engenheiros de MLOps usam as mesmas perguntas sobre linhagem, latência, correção e falha ao construir fluxos de dados de treinamento e inferência.

Por meio dos cursos fast.ai, Thomas e colaboradores tornaram o ensino prático de aprendizagem profunda acessível a muitos alunos fora dos laboratórios de pesquisa de elite. A sua defesa posterior da responsabilização reforçou a ideia de que as equipas de implantação devem medir os danos e não apenas a precisão.

Seu livro de 2022, Designing Machine Learning Systems, coletou lições operacionais – mudanças na distribuição de dados, ciclos de feedback, avaliação e infraestrutura – que muitas vezes estavam espalhadas pelas equipes de engenharia. Tornou-se uma referência comum para pessoas que tentam tornar o MLOps concreto.

Gebru foi coautor do artigo “Folhas de dados para conjuntos de dados” de 2018, propondo documentação padronizada para motivação, composição e coleta de conjuntos de dados. A ideia dá às equipes operacionais uma maneira de perguntar o que representa o material de treinamento de um modelo antes de implantá-lo em um novo ambiente.