Инженерия машинного обучения

Настоящий отзыв будет состоять из двух логически несвязанных частей, первая из которых расскажет об объективных плюсах книги и подчеркнёт её пользу для потенциальных читателей, во второй же я поделюсь собственными сожалениями в связи с неоправдавшимися ожиданиями, которые были ошибочно мною возложены на данное произведение (не в укор книги, так как она на 100% предоставляет читателю всё, что и обещает).

Книга последовательно, вдумчиво, подробно и основательно проведёт читателя через основные этапы жизненного цикла нейросетевых моделей, начиная от формулирования бизнес требований и анализа целесообразности применения искусственного интеллекта в конкретном случае, через сбор данных, их валидацию анализ, подготовку для дальнейшего использования для обучения и выделение ключевых признаков к обучения и переобучение при поступлении новых данных, оценку точности получаемого решения к финальному развёртыванию и промышленной эксплуатации полученной модели, автоматизацию все перечисленных выше шагов, а также мониторинг описанных процессов на каждом его этапе с учётом специфики и ответственных лиц.

Все эти шаги, представляющие из себя базовые компоненты классического MLOps-процесса, подаются во многом с точки зрения инженера машинного обучения, аналитика данных, DS/ML/DL-специалиста, концентрируюясь на сложностях, с которым в ходе работы можно столкнуться (и которые нередко можно по недосмотру или небрежности пропустить или не заметить, получив в итоге не то поведение конечное системы, чем ожидалось), и давая подробные советы о том, как избежать наиболее частных ошибок, а также как подходить к проектированию всей системы.

Непосредственно эксплуатации программных решений на основе машинного обучения в данной книге посвящено две последних главы, что лично для меня, ожидавшей (совершенно безосновательно, нужно это учитывать и я прекрасно это осознаю), что основной фокус книги будет направлен на инфраструктуру, развёртывание, доставку и эксплуатацию, стало существенным минусом и послужило (увы, незаслуженно) причиной, по которой снизила итоговую оценку произведению.

В заключении же хочется абстрагиваться от собственных предпочтений и ожиданий и отметить, что произведение отлично справляется со своей задачей, даёт подробный, доступный и своевременный взгляд на разработку систем машинного обучения, рассматривает все основополагающие этапы жизненного цикла нейросетевого решения, даёт ценные советы разработчикам систем искусственного интеллекта и предостерегает от излишней самонадеянности и несбыточных обещаний. Она будет полезна в качестве расширения кругозора начинающим ML/DL, DS, DA/DE инженерам, даст общее понимание MLOps процессов и научит целостно смотреть на отдельно стоящие задачи, решаемые специалистами на каждой из этих ролей.