Оказывается все еще есть в сети сумасшедшие люди, которые черпают информацию не из рилсов, ютуба или LLM. Эти ненормальные читают книги... Мда, и зачем, спрашивается, мы тут для вас всякие ИИ изобретаем?!
И признаюсь честно, я один из них...👨🔬 Если вы со мной в одной лодке, то хочу поделиться книгой, которая вышла в ноябре и сразу попала в мой вишлист.
Introduction to Machine Learning Systems. Vijay Janapa Reddi (proff. of Harvard University).
Автор книги мотивирует ее существование вот так:
Сегодня студентов в основном учат тому, как обучать модели машинного обучения — но лишь немногие получают знания о том, как создавать системы, делающие эти модели реально полезными в жизни. По мере того как возможности искусственного интеллекта стремительно растут, дальнейший прогресс будет всё меньше зависеть от появления новых алгоритмов — ведь сам ИИ всё чаще сможет их совершенствовать, — и всё больше от появления инженеров, которые способны разрабатывать масштабируемые, эффективные и ответственные системы, воплощающие эти алгоритмы в реальность.
Эта книга для AI спецов, подойдет не всем. Но на мой взгляд она важна, чтобы общая компетенция по созданию AI систем росла! От этого зависит то, насколько безопасными, надежными и устойчивыми будут AI системы, которые строят айтишники.
Поделитесь ею с вашими командами и знакомыми AI разработчикам 🎩 А для тех, кто заинтересовался сам почитать, — расскажу подробнее.
Почему эта книга?
- Во-первых, это не совсем книга. Это опенсорс проект — книга пишется коммьюнити и имеет свой GitHub репозиторий с 9.1К звездочек (рейтинговая система гитхаба — и это много звездочек 🤩). А значит, она будет оставаться актуальной и будет поспевать за безумным темпом развития ИИ технологий.
- Во-вторых, на мой взгляд она решает супер актуальную проблему AI индустрии — очень мало команд умеют строить AI системы. И эта проблема относится как к старичкам, кто давно занимается AI и честно начинал с фундаментальной матетматики, написания и обучения собственных моделей, так и к "новой крови", ребятам, которые работают просто на прикладных фреймворках и не вникают в то, что под капотом. Однако, чтобы построить, например, надежную и масштабируемую агентную систему сейчас недостаточно знать, как работает LLM, или как ее дообучить через фреймоврк. Нужно грамотно выстроить пайплайн, оптимзировать модель и встроить ее в инфраструктуру и процессы компании.
- В-третьих, книга интерактивная, со встроенными квизами и лабораторками, что даст практический опыт. А это супер важно в IT.
Эта книга обещает помочь развить практические навыки, необходимые на всех этапах жизненного цикла ML-систем
1. Системное мышление: Понимать, чем ML-системы отличаются от традиционного ПО, и анализировать взаимодействие аппаратного и программного обеспечения.
2. Инженерия рабочих процессов: Проектировать сквозные ML-пайплайны — от организации данных до внедрения и поддержки.
3. Оптимизация производительности: Применять системные подходы для повышения скорости, уменьшения размера и увеличения эффективности использования ресурсов.
4. Внедрение в продакшн: Решать реальные задачи, связанные с надёжностью, безопасностью, приватностью и масштабируемостью.
5. Ответственная разработка: Учитывать этические аспекты и реализовывать устойчивые, социально полезные AI-системы.
6. Навыки будущего: Формировать способность оценивать новые технологии и адаптироваться к меняющимся парадигмам.
7. Практическая реализация: Получать опыт внедрения на различных встраиваемых платформах и в условиях ограниченных ресурсов.
8. Самостоятельное обучение: Использовать встроенные задания и интерактивные инструменты для отслеживания прогресса и углубления понимания.
Приятного чтения! 📖
#ииученьесвет
Заместители