- عنوان کتاب: Machine Learning Platform Engineering -Build an internal developer platform for ML and AI systems
- نویسنده: Benjamin Tan Wei Hao, Shanoop Padmanabhan
- حوزه: یادگیری ماشین
- سال انتشار: 2026
- تعداد صفحه: 504
- زبان اصلی: انگلیسی
- نوع فایل: pdf
- حجم فایل: 9.11 مگابایت
ما خوششانس بودهایم که در یکی از هیجانانگیزترین دورههای فناوری، در حوزه یادگیری ماشین (ML) کار کردهایم. این حوزه با سرعتی نفسگیر در حال تکامل است – از تحقیقات پیشرفته تا کاربردهای عملی که میلیاردها زندگی را تحت تأثیر قرار میدهد. به عنوان بخشی از این تحول، تماشای سیستمهای یادگیری ماشینی که از مقالات تحقیقاتی به خدمات تولیدی که به کسبوکارهای واقعی قدرت میدهند، تبدیل میشوند، چیزی کمتر از یک اتفاق قابل توجه نبوده است. ما سه نفر – بنجامین، شانوپ و وارون – همگی حرفه خود را به عنوان مهندس نرمافزار شروع کردیم. ما قصد نداشتیم مهندس یادگیری ماشین شویم؛ بلکه به طور اتفاقی وارد این کار شدیم. در سازمانهای مربوطه، هر یک از ما وظیفه داشتیم مدلهای یادگیری ماشینی را از دفترچه یادداشت به تولید ببریم. به سرعت متوجه شدیم که اگرچه پیشینه مهندسی نرمافزار ما بسیار ارزشمند است، یادگیری ماشینی در تولید به مجموعهای کاملاً جدید از مهارتها و شیوهها نیاز دارد. اولین استقرارهای تولیدی ما تجربیات فروتنانهای بودند. مدلهایی که در طول آموزش به زیبایی عمل میکردند، در تولید با مشکل مواجه شدند. سیستمها به روشهای غیرمنتظرهای از کار افتادند. ما خود را در حال پیمایش در چشماندازی پراکنده از ابزارها یافتیم و سعی کردیم بفهمیم کدام یک واقعاً برای مشکلات دنیای واقعی کار میکنند. از طریق آزمون و خطا، جلسات اشکالزدایی شبانه و یادگیری از اشتباهاتمان، به تدریج درکی از آنچه برای ساخت سیستمهای یادگیری ماشینی قابل اعتماد لازم است، ایجاد کردیم. این سفر ما را به نوشتن این کتاب سوق داد. ما میخواستیم آنچه را که آموختهایم، خلاصه کنیم و آن را با جامعه وسیعتر به اشتراک بگذاریم. اکوسیستم ابزار یادگیری ماشینی گسترده و پراکنده است – دهها گزینه برای هر جزء یک پلتفرم یادگیری ماشینی در دسترس است. از طریق آزمایش در سازمانهای مربوطه، ابزارها و الگوهایی را شناسایی کردهایم که برای سیستمهای تولیدی به خوبی کار میکنند. این کتاب آنچه را که آموختهایم، به تصویر میکشد. توجه به این نکته مهم است که مهندسی یادگیری ماشینی هنوز یک حوزه نوپا است. بهترین شیوهها در حال ظهور هستند، نه تثبیت شده. شما نباید هیچ چیز در این کتاب را به عنوان حقیقت وحی منزل در نظر بگیرید، زیرا این حوزه به سرعت در حال تکامل است. آنچه برای ما مفید است ممکن است برای شما مفید نباشد و بدون شک ابزارهای بهتری پدیدار خواهند شد. هدف ما ارائه الگوها و اصولی است که از ابزارهای خاص فراتر میروند. وقتی برای اولین بار این کتاب را تصور کردیم، ChatGPT تنها چند ماه بعد منتشر شد و بار دیگر چشمانداز را متحول کرد. شیوههای عملیات مدل زبانی بزرگ (LLMOps) هنوز توسط جامعه در حال کشف هستند، اما ما دو فصل در مورد تجربیات خود در ساخت برنامههای LLM گنجاندهایم. با همان روحیهای که در پروژههای تشخیص نوری کاراکتر (OCR) و پیشنهاد فیلم داریم، راهنماییهای عملی و پیشنهادهای ابزار متنباز را بر اساس آنچه برای ما مفید بوده است، ارائه میدهیم. ما در سراسر کتاب از پروژههای واقعی برای نشان دادن این مفاهیم در عمل استفاده میکنیم. شما یک سیستم OCR، یک پیشنهاد دهنده فیلم خواهید ساخت و برنامههای LLM را بررسی خواهید کرد. اینها نمونههای اسباببازی نیستند – آنها نسخههای ساده شدهای از سیستمهایی هستند که ما در محیط تولید ساختهایم، با تمام جزئیات آشفتهای که با مهندسی یادگیری ماشین در دنیای واقعی همراه است. چه یک مهندس نرمافزار باشید که در مورد یادگیری ماشین کنجکاو است و چه یک دانشمند داده که به دنبال استقرار مدلهای خود است، این کتاب به شما کمک میکند تا در دنیای هیجانانگیز و چالشبرانگیز سیستمهای یادگیری ماشین در محیط تولید حرکت کنید. چه زمانی برای زنده بودن!
We’ve been fortunate to work in machine learning (ML) during one of the most exciting periods in technology. The field is evolving at a breathtaking pace—from breakthrough research to practical applications that touch billions of lives. Being part of this transformation, watching ML systems go from research papers to production services that power real businesses, has been nothing short of remarkable. The three of us—Benjamin, Shanoop, and Varun—all started our careers as software engineers. We didn’t set out to become ML engineers; we stumbled into it. In our respective organizations, we each found ourselves tasked with taking ML models from notebooks to production. We quickly discovered that while our software engineering backgrounds were invaluable, production ML required an entirely new set of skills and practices. Our first production deployments were humbling experiences. Models that performed beautifully during training struggled in production. Systems broke in unexpected ways. We found ourselves navigating a fragmented landscape of tools, trying to figure out which ones actually worked for real-world problems. Through trial and error, late-night debugging sessions, and learning from our mistakes, we gradually developed an understanding of what it takes to build reliable ML systems. This journey led us to write this book. We wanted to distill what we’ve learned and share it with the wider community. The ML tooling ecosystem is vast and fragmented— dozens of options for every component of an ML platform are available. Through experimentation in our respective organizations, we’ve identified tools and patterns that work well for production systems. This book captures what we’ve learned. It’s important to note that ML engineering is still a nascent field. Best practices are emerging, not established. You shouldn’t treat anything in this book as gospel truth because the field is evolving too rapidly for that. What works for us might not work for you, and better tools will undoubtedly emerge. Our goal is to provide patterns and principles that transcend specific tools. When we first conceived this book, ChatGPT would be released just a few months later, transforming the landscape once again. Large language model operations (LLMOps) practices are still being figured out by the community, but we’ve included two chapters on our experiences building LLM applications. In the same spirit as our Optical Character Recognition (OCR) and movie recommendation projects, we provide practical guidance and open source tooling suggestions based on what has worked for us. We use real projects throughout the book to demonstrate these concepts in practice. You’ll build an OCR system, a movie recommender, and explore LLM applications. These aren’t toy examples—they’re simplified versions of systems we’ve built in production, with all the messy details that come with real-world ML engineering. Whether you’re a software engineer curious about ML or a data scientist looking to deploy your models, this book will help you navigate the exciting, challenging world of production ML systems. What a time to be alive!
این کتاب را میتوانید از لینک زیر بصورت رایگان دانلود کنید:
Download: Machine Learning Platform Engineering
نظرات کاربران