Designing Machine Learning Systems: An Iterative Process for Production-Ready Applications Paperback – June 21, 2022

I got it delivered on time and the book is a nice read for anyone who wants to get into the field of Machine Learning system development.

This is a fantastic book that covers everything you need to know to understand the design and deployment phases of machine learning systems. I was really surprised by the wealth of technical information. I think this book is ideal for any engineer looking to improve their skills in this field.

エンドユーザー向けに機械学習モデルを本番環境にデプロイする機械学習エンジニアのための本です。機械学習に関する基本的な知識を前提としていますが、例えば Coursera の Andrew Ng 先生の機械学習コースを一通り終えた人であれば難なく読める内容だと思います。普段固定のデータセットに対し state of the art なモデルを模索している、本番へのデプロイの必要がない人にはあまり向かない内容かもしれません。冒頭はビジネス上のゴールと機械学習モデルのメトリクスのすり合わせから始まります。続いて、関係データベースやデータ構造などデータとの付き合い方、不均衡データの取り扱いなど学習データの取り扱い、特徴量エンジニアリング、モデルの評価、デプロイの詳細、最初の本番デプロイ以降発生するデータ分布のシフトへの対策、継続学習、機械学習を支えるインフラストラクチャーなどのトピックについて、本番にデプロイするモデルを前提とした場合の注意点や落とし穴とその対策が詳解されています。著者の NVIDIA や Netflix などでの機械学習の開発とデプロイに関する豊富な経験を彷彿させる、とにかく現場感に満ちた、又最新の知見が多く紹介されています。例えばアノテーションの苦労や、データ分布のシフトへの対策、本番で実施するテスト (A/B テストや bandit) を含め、ここまで包括的、体系的に紹介している本は珍しいと思います。最終章は Responsible AI や、機械学習チームの組成など、機械学習と人にまつわるテーマを扱っています。チームの組成の仕方として、Ops と機械学習チームのようにチームを分ける方法と、フルスタックにこなす機械学習チーム一つで組成する方法が紹介されています。著者は、後者の方が機械学習エンジニアが幸せかどうかはおいておいて、コミュニケーションコストの低さやデバッグの容易さで優れていると述べられており、個人的なはなしですが、自分の現状に鑑みてとても勇気づけられました。