Ping David. The Machine Learning Solutions Architect Handbook

Packt Publishing, 2024. — 603 p. — ISBN 978-1-80512-250-0.The Machine Learning Solutions Architect Handbook: Practical strategies and best practices on the ML lifecycle, system design, MLOps, and generative AI, 2nd Edition / Справочник архитектора решений для машинного обучения: Практические стратегии и рекомендации по жизненному циклу ML, системному проектированию, MLOps и генеративному ИИ., 2-е издание.
Design, build, and secure scalable machine learning (ML) systems to solve real-world business problems with Python and AWS Purchase of the print or Kindle book includes a free PDF eBook.
Key Features
Solve large-scale ML challenges in the cloud with several open-source and AWS tools and frameworks
Apply risk management techniques in the ML life cycle and learn architecture patterns for solutions
Understand the challenges and risks of implementing generative AI
Book Description
David Ping, Head of GenAI and ML Solution Architecture at AWS, provides expert insights and practical examples to help you become a proficient ML solutions architect, linking technical architecture to business-related skills.
You’ll learn about ML algorithms, cloud infrastructure, system design, MLOps, and how to apply ML to solve real-world business problems. David explains the generative AI project life cycle and examines Retrieval Augmented Generation (RAG), an effective architecture pattern for generative AI applications. You’ll also learn about open-source technologies, such as Kubernetes/Kubeflow, for building a data science environment and ML pipelines before building an enterprise ML architecture using AWS. As well as generative AI, the biggest new addition to the handbook is the exploration of ML risk management and a deep understanding of the different stages of AI/ML adoption.
By the end of this book, you’ll have gained a comprehensive understanding of AI/ML across all key aspects, including business use cases, data science, real-world solution architecture, risk management, and governance. You’ll possess the skills to design and construct ML solutions that effectively cater to common use cases and follow established ML architecture patterns, enabling you to excel as a true professional in the field.
What you will learn
Apply ML methodologies to solve business problems
Design a practical enterprise ML platform architecture
Gain an understanding of AI risk management frameworks and techniques
Build an end-to-end data management architecture using AWS
Train large-scale ML models and optimize model inference latency
Create a business application using AI services and custom models
Dive into generative AI with use cases, architecture patterns, and RAG
Who this book is for
This book is for solutions architects working on ML projects, ML engineers transitioning to ML solution architect roles, and MLOps engineers. Additionally, data scientists and analysts who want to enhance their practical knowledge of ML systems engineering, as well as AI/ML product managers and risk officers who want to gain an understanding of ML solutions and AI risk management, will also find this book useful. A basic knowledge of Python, AWS, linear algebra, probability, and cloud infrastructure is required before you get started with this handbook.Разрабатывайте, создавайте и защищайте масштабируемые системы машинного обучения (ML) для решения реальных бизнес-задач с помощью Python и AWS. При покупке книги print или Kindle Book вы получите бесплатную электронную книгу в формате PDF.
Kлючевые функции
Решайте масштабные задачи ML в облаке с помощью нескольких инструментов и платформ с открытым исходным кодом и AWS
Применяйте методы управления рисками в жизненном цикле ML и изучайте архитектурные шаблоны решений
Разбирайтесь в проблемах и рисках, связанных с внедрением генеративного искусственного интеллекта
Описание книги
Дэвид Пинг, руководитель отдела GenAI и архитектуры ML-решений в AWS, делится экспертной информацией и практическими примерами, которые помогут вам стать опытным архитектором ML-решений, связывая техническую архитектуру с навыками, связанными с бизнесом.
Вы узнаете об алгоритмах ML, облачной инфраструктуре, системном проектировании, MLOps и о том, как применять ML для решения реальных бизнес-задач. Дэвид объясняет жизненный цикл проекта generative AI и рассматривает поисковую дополненную генерацию (RAG), эффективную архитектурную схему для приложений generative AI. Вы также узнаете о технологиях с открытым исходным кодом, таких как Kubernetes/Kubeflow, для создания среды обработки данных и конвейеров ML, прежде чем приступить к созданию корпоративной архитектуры ML с использованием AWS. Помимо генеративного ИИ, самым важным новым дополнением к руководству является изучение управления рисками MО и глубокое понимание различных этапов внедрения ИИ/MО.
К концу прочтения этой книги вы получите всестороннее представление об ИИ/MО во всех ключевых аспектах, включая примеры использования в бизнесе, обработку данных, архитектуру реальных решений, управление рисками и корпоративное управление. Вы будете обладать навыками проектирования и конструирования ML-решений, которые эффективно подходят для распространенных случаев использования и соответствуют установленным шаблонам архитектуры ML, что позволит вам стать настоящим профессионалом в этой области.
Чему вы научитесь
Применяйте методологии ML для решения бизнес-задач
Разработайте практичную архитектуру корпоративной ML-платформы
Получите представление о структурах и методах управления рисками с использованием ИИ
Создайте комплексную архитектуру управления данными с использованием AWS
Обучите крупномасштабные модели ML и оптимизируйте задержку вывода модели
Создайте бизнес-приложение с использованием сервисов ИИ и пользовательских моделей
Погрузитесь в генеративный ИИ с примерами использования, архитектурными шаблонами и RAG
Для кого предназначена эта книга
Эта книга предназначена для архитекторов решений, работающих над проектами ML, инженеров ML, переходящих на должность архитектора решений ML, и инженеров MLOps. Кроме того, эта книга также будет полезна специалистам по обработке данных и аналитикам, которые хотят расширить свои практические знания в области разработки ML-систем, а также менеджерам по продуктам AI/ML и специалистам по рискам, которые хотят получить представление о решениях ML и управлении рисками с использованием искусственного интеллекта. Прежде чем приступить к работе с этим руководством, вам потребуются базовые знания Python, AWS, линейной алгебры, теории вероятностей и облачной инфраструктуры.