Machine Learning Workflow: Dal prototipo alla produzione

by Luca Rodolfi

Pochi mesi prima della pubblicazione di questo volume ho terminato con soddisfazione il volume “Appunti sparsi di Machine Learning”, volume disponibile sul marketplace di Amazon sia in formato cartaceo che E-Book/Kindle e che in diverse occasioni è risultato essere numero #1 della settimana come best seller nella categoria “computer ed elaboratori”. L’obiettivo di quel volume è prettamente di tipo divulgativo anche se non mancano approfondimenti più tecnici sul tema, proprio per il carattere divulgativo mi sono sforzato di “raccontare” l’intero dominio del Machine Learning dedicando lo spazio opportuno a ogni elemento e per evitare che il libro diventasse un tomo di 500 pagine ho dovuto scendere a compromessi, tenendo una linea di demarcazione netta tra il voler toccare tutti i componenti principali e l’approfondimento che alcuni temi avrebbero meritato. Il workflow che sta alla base dello sviluppo di soluzioni di machine learning è il tema che avrei voluto sviscerare con maggiori dettagli ed esempi ma in quel volume significava rompere la simmetria narrativa a dispetto degli altri contenuti. La soluzione quindi più adeguata è dedicare un volume specifico al workflow dello sviluppo di modelli di Machine Learning (ML). Perché fra tutti i temi proprio il Workflow ML? Il motivo principale è perché modalità e metodologia, con cui è possibile passare da attività di test e sperimentazione a rilasci di sistemi funzionanti in ambienti di produzione, rappresentano un punto fondamentale per il corretto sviluppo di un progetto di ML di successo, oltre al fatto che questo tema non è, bibliograficamente, ad oggi particolarmente trattato. Il libro è sviluppato pensando ad alcune categorie di lettori che di seguito I lettori del mio precedente volume o di libri che descrivono in modo divulgativo le tematiche del Machine Learning e che vogliono approfondire il tema legato a “come” sviluppare e rilasciare in produzione modelli di ML. I curiosi, appassionati di tecnologia, manager che vogliono avere una descrizione chiara e sufficientemente esaustiva del tema. Tecnici informatici che si occupano “d’altro” e che vogliono come primo passo avere una descrizione del tema con anche dettagli più tecnici. I project manager che desiderano avere una visione completa dell’intera pipeline di attività legate a progetti di ML. Uomini di business e manager che vogliono comprendere le numerose sfaccettature progettuali che lo sviluppo di una soluzione di ML richiede. Il volume è idealmente suddiviso in 2 due parti la prima, che copre l’80% del libro, analizza con un buon livello di dettaglio lo schema workflow proposto riferibile alla metodologia CRISP-DM che utilizzerò nel volume, benché “aggiornata” per rispondere alle specifiche esigenze legate al mondo Big Data e ML (in alcuni punti saranno presenti semplici parti di codice in linguaggio Python, strumentali all’esemplificazione di alcune parti) e introduce anche il CD4ML legato a tematiche ML in ambito DevOps e caratterizzato da un approccio più moderno. La seconda riporta due casi reali ripercorrendo l’intero workflow e mostrando come, nei casi di specie, problemi e criticità siano state affrontate e risolte, anche in questa parte non mancheranno alcuni esempi di codice Python e il riferimento a specifiche architetture e infrastrutture, ove necessario saranno esplicitati alcuni temi laterali ma rilevanti per la comprensione dei casi.

238 pages, Kindle Edition

Published January 5, 2020