Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
Schlussfolgerung
Im Zuge des Übergangs von maschinellem Lernen von einer Forschungsdisziplin zu einem angewandten Bereich haben wir in verschiedenen Branchen ein jährliches Wachstum von 25 Prozent bei der Entwicklung, dem Einsatz und dem Betrieb von ML-Pipelines verzeichnet. Der Geschäftswert von ML wird durch day-to-day ML-Operationen und -Pipelines realisiert, die wiederum die Erforschung und Entwicklung von ML-Modellen und -Algorithmen vorantreiben. Dennoch bringt der Einsatz von ML in der Produktion zahlreiche Herausforderungen mit sich, da er erheblich unterschiedliche Aktivitäten und Artefakte wie Datenmanagement, Verarbeitung, Analyse, Modellierung, Verifizierung und Sicherheit miteinander verknüpft. In zahlreichen KI/ML-Projekten mit AWS Kunden hat unser Data-Science-Team festgestellt, dass eine zentrale Herausforderung das Fehlen eines end-to-end Workflows ist, der eine Reihe von Vorlagen für die optimale Verschmelzung oder Trennung verschiedener ML-Aktivitäten und -Artefakte bereitstellen würde. DevOps In diesem Leitfaden haben wir den ML Max-Workflow vorgestellt, um dieses dringende Problem
