📦The Greats

Выпуск Google TensorFlow в 2016 году с открытым исходным кодом предоставил исследователям и инженерам-технологам общую основу для описания и выполнения многих рабочих нагрузок машинного обучения. Его распространение показало, как фреймворки, инструменты и среды развертывания влияют на то, какие идеи могут перейти из исследований в продукты.

В Стэнфорде Коллер стал соавтором учебника «Вероятностные графические модели», который дал студентам и практикам систематический словарь неопределенностей и структурированного прогнозирования. Ее более поздние работы по созданию организаций, основанных на онлайн-обучении и открытии лекарств, иллюстрируют системы, необходимые на основе моделей.

Рудин утверждает, что для принятия решений с высокими ставками непрозрачная модель в сочетании с апостериорным объяснением часто является плохой заменой модели, предназначенной для интерпретации с самого начала. Этот аргумент напрямую влияет на практику оценки MLOps и утверждения модели.

Его книга 2017 года «Проектирование приложений с интенсивным использованием данных» превратила с трудом завоеванные уроки распределенных систем в широко читаемое инженерное руководство. Инженеры MLOps используют одни и те же вопросы о происхождении, задержке, правильности и сбоях при построении потоков данных для обучения и вывода.

С помощью курсов fast.ai Томас и его коллеги сделали практические инструкции по глубокому обучению доступными для многих учащихся за пределами элитных исследовательских лабораторий. Ее более поздняя пропаганда подотчетности укрепила идею о том, что группы развертывания должны измерять вред, а не только точность.

В ее книге 2022 года «Проектирование систем машинного обучения» собраны оперативные уроки — изменения в распределении данных, петли обратной связи, оценка и инфраструктура, — которые часто были разбросаны по инженерным командам. Это стало обычным справочником для людей, пытающихся конкретизировать MLOps.

Гебру был соавтором статьи «Таблицы данных для наборов данных» 2018 года, в которой предлагалась стандартизированная документация для мотивации, состава и сбора наборов данных. Эта идея дает оперативным группам возможность узнать, что представляет собой учебный материал модели, прежде чем применять его в новых условиях.