Birçok kişi makine öğrenimine temiz bir veri kümesi üzerinde model eğiterek başlar, ancak asıl zorluk bu modeli her gün yeni verilerle gerçek kullanıcılar için çalışır hale getirmektir. Jim Dowling’in O’Reilly yayını ‘Building Machine Learning Systems with a Feature Store’ tam da bu an için yazılmış. Hopsworks CEO’su Dowling, kitabı KTH’de verdiği bir derse dayandırdığı için, gerçek sistemler kurma konusunda rehberli bir yolculuk sunuyor.
Kitabın kalbinde, herhangi bir AI sistemini üç parçaya ayıran basit bir düşünce yatıyor. Birinci kısım, verileri modelin ihtiyaç duyduğu kullanışlı girdilere (kitapta ‘feature’ olarak adlandırılıyor) hazırlıyor. İkinci kısım, bu girdileri kullanarak modeli eğitiyor. Üçüncü kısım ise modeli devreye alarak uygulamanın ihtiyaçlarına göre tahminler yapıyor. Feature store, bu üç parçayı birbirine bağlayan ortak depolama alanı olarak işlev görüyor. Bu şekilde bakıldığında, her bir parça kendi başına oluşturulup test edilebilecek kadar küçük.
Kitap, AI sistemlerini üç türe ayırıyor ve örnekler bu şemaya göre şekilleniyor. Toplu (batch) sistem, belirli bir programla tahmin yapıyor; evinizdeki bir sensöre yönlendirilen hava kalitesi tahmincisi ile gösteriliyor. Gerçek zamanlı sistem, bir istek geldiği anda yanıt veriyor; kitap iki örnek sunuyor: kredi kartı dolandırıcılık dedektörü ve TikTok tarzı bir video öneri sistemi. Aracı (agentic) yetenekler ise ek bir katman olarak ekleniyor; büyük dil modeli, canlı veri ve araçlar kullanarak bir hedefe ulaşıyor. Kitap, bu katmanı hava kalitesi servisi ve öneri sistemi üzerine, LlamaIndex ile oluşturulan aracılar kullanarak ekliyor.
Önemli Gelişmeler
Örneklerin tamamı Python ile ve ücretsiz açık kaynak araçlar kullanılarak hazırlanmış; okuyucular herhangi bir satın alma yapmadan takip edebiliyor. Her bölüm alıştırmalarla bitiyor ve projeler yaygın bulut servislerinin ücretsiz katmanlarında çalışıyor. Temel Python ve SQL bilgisi yeterli. Kitap, bir fikri alıp kendi sisteminizi kurmanız için iskele görevi görüyor. Dowling’in Hopsworks platformuyla olan bağlantısına rağmen, alt yapı standart açık kaynak olduğu için öğrenilen yöntemler diğer platformlara da taşınabiliyor.
