DISEÑO DE SISTEMAS DE MACHINE LEARNING. Un proceso iterativo para aplicaciones listas para funcionar

Chip Huyen (Traducido por Miguel Angel Torres)

Julio de 2023       Páginas: 378

Código 10656      ISBN/EAN: 9788426736956

CONTENIDO: Los sistemas de aprendizaje automático, en inglés Machine Learning, implican el uso de métodos, algoritmos y procesos complejos que constan de muchos componentes diferentes; además, dependen de datos que varían considerablemente de un caso a otro. Con este libro aprenderá un método integral para diseñar sistemas de aprendizaje automático fiables, escalables, fáciles de mantener y adaptables a los entornos dinámicos y a los requisitos empresariales.
La autora Chip Huyen, cofundadora de Claypot AI, considera cada decisión de diseño en su contexto para determinar la manera como este puede ayudar a su sistema. Analiza desde cómo procesar y crear datos de formación, hasta qué atributos utilizar, con qué frecuencia volver a formar los modelos y qué elementos supervisar.

En el marco iterativo de este libro se utilizan estudios de casos reales respaldados por referencias amplias que le ayudarán a alcanzar sus objetivos. Así pues, gracias a esta lectura conocerá:

” La ingeniería de datos y la elección de las métricas adecuadas para resolver un problema empresarial.
” La automatización del proceso de desarrollo, evaluación, instalación y actualización de los modelos.
” El desarrollo de un sistema de supervisión para detectar y resolver rápidamente los problemas que pueda encontrarse con sus modelos en funcionamiento.
” La arquitectura de una plataforma de aprendizaje automático que sirva para todos los casos.
” El desarrollo de sistemas de aprendizaje automático responsables.

Chip Huyen es cofundadora de Claypot AI, una plataforma de aprendizaje automático en tiempo real. A través de su trabajo en NVIDIA, Netflix y Snorkel AI, ha ayudado a algunas de las organizaciones más grandes del mundo a desarrollar e implementar sus sistemas de aprendizaje automático. Chip basó este libro en sus apuntes para CS 329S: Diseño de Sistemas de Aprendizaje Automático, un curso que imparte en la Universidad de Stanford.

“Este es, sencillamente, el mejor libro que se puede leer sobre cómo construir, implementar y extender los modelos de aprendizaje automático en una empresa para lograr un impacto máximo”.
-Josh Wills Ingeniero de software en WeaveGrid y exdirector de ingeniería de datos, Slack

“En un ecosistema floreciente pero caótico, esta visión de principios sobre el aprendizaje automático de principio a fin es tanto su mapa como su brújula: una lectura obligada para los profesionales dentro y fuera de los gigantes tecnológicos”.
-Jacopo Tagliabue
Director de IA, Coveo

INDICE EXTRACTADO:

Prefacio .................................................................................................................... ix 1. Panorama de los sistemas de aprendizaje automático ................................... 1 Cuándo utilizar el aprendizaje automático 3 Casos de uso del aprendizaje automático 9 Cómo entender los sistemas de aprendizaje automático 12 El aprendizaje automático en la investigación y en la práctica 12 Los sistemas de aprendizaje automático y el software tradicional 22 Resumen 24 2. Introducción al diseño de sistemas de aprendizaje automático. .................. 25 Objetivos empresariales y de AA 26 Requisitos para los sistemas de AA 29 Confiabilidad 29 Escalabilidad 30 Capacidad de mantenimiento 31 Adaptabilidad 32 Proceso iterativo 32 Planteamiento de problemas de AA 34 Tipos de tareas del AA 35 Funciones objetivo 39 El intelecto frente a los datos 42 Resumen 45 3. Fundamentos de la ingeniería de datos .......................................................... 47 Las fuentes de datos 48 Formatos de datos 51 JSON 52 Los formatos de orden por filas frente a los de orden por columnas 52 Texto frente a formato binario 55 Modelos de datos 56 Modelo relacional 57 NoSQL 61 Datos estructurados frente a datos no estructurados 64 Motores de almacenamiento de datos y procesamiento 65 Procesamiento transaccional y analítico 66 ETL: Extraer, transformar y leer 69 Modos de flujo de datos 71 Datos que pasan por bases de datos 71 Datos que pasan a través de los servicios 71 Transferencia de datos a través del transporte de datos al instante 73 El procesamiento por lotes frente al procesamiento continuo 76 Resumen 78 4. Datos de formación ........................................................................................... 81 Muestreo 82 Muestreo no probabilístico 83 Muestreo aleatorio simple 84 Muestreo estratificado 84 Muestreo ponderado 85 Muestreo de depósito 86 Muestreo de importancia 87 Etiquetado 88 Etiquetas manuales 88 Etiquetas naturales 91 Cómo afrontar la falta de etiquetas 94 Desequilibrio de clases 103 Desafíos del desequilibrio de clases 104 Cómo afrontar el desequilibrio de clases 106 Aumento de datos 115 Transformaciones simples que conservan la etiqueta 115 Perturbación 116 Síntesis de datos 118 Resumen 120 5. Creación de atributos ..................................................................................... 121 Los atributos aprendidos frente a los diseñados 121 Operaciones comunes de creación de atributos 124 Manejo de valores faltantes 125 Escalado 127 Discretización 129 Codificación de atributos categóricos 130 Cruce de atributos 133 Incrustaciones posicionales discretas y continuas 134 Fuga de datos 136 Causas comunes de la fuga de datos 138 Detección de la fuga de datos 141 Creación de atributos buenos 142 Importancia de los atributos 142 Generalización de los atributos 145 Resumen 146 6. Desarrollo de modelos y evaluación fuera de línea ..................................... 149 Desarrollo de modelos y formación 150 Evaluación de modelos de AA 150 Ensambles 156 Rastreo de experimentos y control de versiones 162 Formación distribuida 167 AutoML 172 Evaluación del modelo fuera de línea 178 Referencias 179 Métodos de evaluación 181 Resumen 188 7. Servicio de predicción y puesta en marcha de modelos ............................. 191 Mitos sobre la instalación del aprendizaje automático 193 Mito 1: solo se instalan uno o dos modelos de AA a la vez 194 Mito 2: si no hacemos algo, el rendimiento del modelo seguirá igual 195 Mito 3: no necesitará actualizar mucho los modelos 195 Mito 4: la mayoría de los ingenieros de AA no necesitan preocuparse por la escala 196 La predicción por lotes frente a la predicción en línea 197 De la predicción por lotes a la predicción en línea 200 Unificación de la canalización por lotes y la canalización de flujo 203 Compresión del modelo 205 Factorización de bajo rango 206 Destilación del conocimiento 207 Poda 207 Cuantificación 208 AA en la nube y en el perímetro 211 Compilación y optimización de modelos para dispositivos periféricos 213 El AA en los navegadores 221 Resumen 222 8. Cambios y monitoreo de la distribución de los datos ................................. 225 Causas de los fallos en los sistemas de AA 226 Fallos del sistema informático 227 Fallos específicos del AA 228 Cambios en la distribución de los datos 236 Tipos de cambios en la distribución de los datos 237 Cambios generales en la distribución de los datos 241 Detección de cambios en la distribución de los datos 242 Cómo afrontar los cambios en la distribución de los datos 248 Monitoreo y observabilidad 250 Métricas específicas del AA 252 Herramientas de monitoreo 256 Observabilidad 260 Resumen 262 9. Aprendizaje continuo y pruebas en producción .......................................... 265 Aprendizaje continuo 266 Reformación sin estado frente a formación con estado 267 El porqué del aprendizaje continuo 270 Desafíos del aprendizaje continuo 272 Las cuatro etapas del aprendizaje continuo 277 Frecuencia de actualización de los modelos 282 Pruebas en producción 285 Implementación en paralelo 286 Pruebas A/B 286 Versión canario 288 Experimentos intercalados 289 Bandidos 291 Resumen 295 10. Infraestructura y herramientas para MLOps ................................................. 297 El almacenamiento y los cálculos 301 Nube pública frente a centros de datos privados 304 Entorno de desarrollo 306 Configuración del entorno de desarrollo 307 Estandarización de los entornos de desarrollo 310 Del desarrollo a la producción: contenedores 312 Gestión de recursos 315 Cron, planificadores y orquestadores 316 Gestión del flujo de trabajo de la ciencia de datos 319 La plataforma del AA 324 Puesta en marcha de los modelos 325 Almacén de modelos 326 Almacén de atributos 330 Crear frente a comprar 332 Resumen 335 11. El lado humano del aprendizaje automático................................................. 337 Experiencia del usuario 337 Garantizar la coherencia de la experiencia del usuario 338 Cómo evitar las predicciones «casi correctas» 338 Fallo suave 340 Estructura de equipo 340 Colaboración en equipos multifuncionales 341 Científicos de datos de principio a fin 341 IA responsable 345 IA irresponsable: caso de estudio 346 Un entorno para la IA responsable 353 Resumen 359 12. Epílogo ............................................................................................................. 361