新書推薦： 《
大横断 寻找川滇藏 第2版
》 售價：HK$
261.8
《
戏语 图解中国戏曲
》 售價：HK$
140.8
《
宋朝往事系列20册
》 售價：HK$
1716.0
《
大美圆明园
》 售價：HK$
1097.8
《
通用动力F-16“战隼”战斗机
》 售價：HK$
204.6
《
日本国志（上下册）
》 售價：HK$
184.8
《
盐铁论（全注全译全本 文白对照） 中国古代经济学奇书
》 售價：HK$
63.8
《
漫画世界航天史
》 售價：HK$
107.8
編輯推薦：
编辑推荐
內容簡介：
本书的主要内容有：为机器学习系统编写自动化测试，容器化开发环境，并重构有问题的代码库。运用MLOps和CI/CD实践，加速实验周期并提升机器学习解决方案的可靠性。运用精益交付和产品实践，提高构建符合用户需求的正确产品的成功率。确定适合的团队结构及团队内外的协作方式，以促进快速工作流、减少认知负担，并在组织内推广机器学习实践。
關於作者：
David Tan是一名首席机器学习工程师，曾与多家组织合作，交付数据和机器学习系统及产品。 Ada Leung是Thoughtworks的资深业务分析师和产品负责人，拥有跨技术、商业和政府服务的交付与咨询经验。 David Colls是一位技术领导者，拥有丰富的经验，帮助软件、数据和机器学习团队实现卓越成果。
目錄
目录前言 1第1 章 在交付机器学习解决方案中的挑战与优化路径 151.1 ML：承诺与失望 .161.1.1 继续看好ML .161.1.2 为什么ML 项目会失败 171.2 有更好的方法吗？系统思维和精益如何提供帮助 .241.2.1 你无法通过“MLOps”解决你的问题 .251.2.2 看到整体：以系统思维透视有效的ML 交付 261.2.3 有效交付ML 所需的五项修炼 .281.3 结论 .49第一部分 产品和交付第2 章 机器学习团队的产品和交付实践 552.1 ML 产品发现 592.1.1 发现产品商机 612.1.2 确定产品机会的画布.622.1.3 快速设计、交付和测试解决方案的技术 .692.2 启动：让团队走向成功 .742.2.1 启动：它是什么，我们怎么做 .752.2.2 如何计划和运行启动.762.2.3 用户故事：MVP 的构建模块 812.3 产品交付882.3.1 交付活动的节奏 892.3.2 衡量产品和交付 932.4 结论 .98第二部分 工程学第3 章 有效的依赖管理：原则和工具 1033.1 如果我们的代码在任何地方、任何时候都能正常工作，会怎样 1043.1.1 更好的方法—— 退房走人 1063.1.2 有效管理依赖性的原则 .1073.1.3 依赖性管理工具 1103.2 Docker 和Batect 速成课程 1183.2.1 容器是什么 . 1193.2.2 使用batect 减少Docker 中移动部件的数量 1233.3 结论 131第4 章 实践中的有效依赖管理 . 1334.1 背景：机器学习开发工作流 .1334.1.1 确定要容器化的内容1344.1.2 动手练习：通过容器化实现可复现的开发环境1374.2 安全的依赖管理 .1494.2.1 移除不必要的依赖项1504.2.2 自动化安全漏洞检查1524.3 总结 157第5 章 自动化测试：快速移动而不破坏 1595.1 自动化测试：快速可靠迭代的基础1615.1.1 从“为什么”开始：测试自动化的好处 1625.1.2 如果自动化测试如此重要，为什么我们不去做呢 1665.2 ML 系统全面测试策略的构建模块 1695.2.1 识别测试组件 .1695.2.2 优秀测试的特点及避免的陷阱 1755.2.3 如何：测试的结构 1805.3 软件测试.1825.3.1 单元测试 1825.3.2 训练冒烟测试 .1855.3.3 API 测试 1875.3.4 后部署测试 .1915.4 结论 193第6 章 自动化测试：ML 模型测试 1956.1 模型测试.1956.1.1 模型测试的必要性 1966.1.2 测试ML 模型的挑战1976.1.3 ML 模型的适应度函数 1996.1.4 模型指标测试（全局和分层） 2016.1.5 行为测试 2056.1.6 测试大型语言模型：为什么和如何 2086.2 重要的模型测试补充实践 .2136.2.1 错误分析和可视化 2146.2.2 从生产环境中学习，通过关闭数据收集循环 2166.2.3 开闭测试设计 .2196.2.4 探索性测试 .2206.2.5 改进模型的方法 2216.2.6 设计以最小化失败成本 .2226.2.7 生产中的监控 .2246.2.8 整合所有内容 .2256.3 下一步：应用你所学到的知识 2286.3.1 逐步改进 2286.3.2 展示价值 2296.4 结论 230第7 章 通过简单技巧为你的代码编辑器增效 2317.1 了解IDE 的好处（以及其令人惊讶的简单性） 2337.1.1 为什么我们应该关心IDE 2337.1.2 如果IDE 如此重要，为什么我还没有学过它们 2357.2 计划：通过两个阶段提高生产力 2367.2.1 阶段1：配置你的IDE 2377.2.2 阶段2：主角—— 键盘快捷键 2457.2.3 做到了 2577.3 结论 262第8 章 重构与技术债务管理 2638.1 技术债务：我们齿轮中的沙子 2648.1.1 通过测试、设计和重构达到健康的技术债务水平 2668.1.2 重构基础 2698.2 如何重构笔记本（或有问题的代码库） 2718.2.1 计划你的重构之旅：路线图 2718.2.2 旅程：上路 .2778.2.3 回顾我们的成就 2898.3 实际世界中的技术债务管理 .2948.3.1 技术债务管理技术 2948.3.2 从积极的角度看待技术债务：系统健康评分 2978.4 总结：让优秀变得简单 301第9 章 面向ML 的MLOps 和机器学习的持续交付（CD4ML） . 3039.1 MLOps：优势与缺失的拼图 3059.1.1 MLOps 101 3069.1.2 嗅觉信号：我们错过了什么的提示 3129.2 机器学习的持续交付 3169.2.1 CD4ML 的好处 .3169.2.2 持续交付原则速成课程 .3179.2.3 构建CD4ML 的基础：创建一个生产就绪的ML 系统 .3209.3 CD4ML 如何支持机器学习治理和负责任的人工智能 3319.4 总结 335第三部分 团队第10 章 打造高效机器学习团队的基石 . 33910.1 机器学习团队面临的常见挑战 .34110.2 高效团队的内部构建模块34510.2.1 信任：作为基础的构建模块 34610.2.2 沟通 35410.2.3 多样性成员35810.2.4 有目的的共享进步 36110.2.5 内部策略以建立有效团队 .36410.3 改善工程效率以提升工作流 36610.3.1 反馈循环 36710.3.2 认知负荷 36910.3.3 流状态 .36910.4 结论 373第11 章 有效的机器学习组织 37511.1 ML 组织面临的常见挑战 .37811.2 有效的组织作为团队的团队 37911.2.1 价值驱动的投资组合管理的角色 38011.2.2 团队拓扑模型 38211.2.3 机器学习团队的团队拓扑 .38611.2.4 组织策略以建立高效团队 .39911.3 有意领导 40111.3.1 为有效团队创建结构和系统 .40211.3.2 参与利益相关者并协调组织资源 40311.3.3 培养心理安全 40311.3.4 推动持续改进 40411.3.5 将失败视为学习机会 40511.3.6 构建我们希望拥有的文化 .40511.3.7 鼓励团队在工作中玩耍 40511.4 结论 407
內容試閱
前言晚上9 点25 分，当丹娜登录电脑继续修复一个错误时，电脑屏幕上柔和的光芒刺进了她黯淡的双眼，红色的管道和无数打开的标签页充斥着她的屏幕。她吃过晚饭，做完了日常琐事，但心不在焉。事实上，她的心思不在这里。这是紧张的一天，既要进行长时间的培训，又要与支持团队就客户询问模型为何拒绝贷款申请的问题进行来回沟通。尽管对数据和模型架构进行了各种调整，但模型的性能始终无法提高，她一直在深入调试。偶尔的堆栈跟踪只会让事情变得更糟。她很疲惫，本地机器上一堆未提交的代码修改让她的认知负担更重了。但她必须坚持下去，她的团队已经比最初的发布日期晚了四个月，高管们的不耐烦已经显露无遗。更糟的是，她担心自己的工作不保。在最新一轮的成本削减措施中，她所在的公司每十名员工中就有一人被解雇，其中还有几个她认识的人。她团队中的每个人都是善意的、有能力的，但他们每天都被乏味的测试、焦虑的生产部署以及难以辨认和易碎的代码所困扰。经过几个月的辛勤工作，他们都心力交瘁。他们已经尽了最大努力，但感觉就像在建造一栋没有地基的房子，一切都支离破碎。由于工具、技术、教程和机器学习从业者社区的生态系统不断发展壮大，许多人在开始机器学习（ML）之旅时势头强劲，并很快获得了信心。然而，当我们走出教程笔记本和Kaggle 竞赛的受控环境，进入到实际问题、杂乱数据、互联系统和目标各异的人群的空间时，我们中的许多人不可避免地要在实践中努力发掘ML 的潜力。当我们剥开“数据科学是最性感的工作”的华丽外衣时，我们常常会看到ML从业人员深陷繁重的手工劳动、复杂而脆弱的数据处理和分析中，以及在生产中永远看不到曙光的Sisyphean ML 实验所带来的挫败感。2019 年有87% 的数据科学项目从未投入生产（https://oreil.ly/xy9Xi）。根据Algorithmia 发布的《2021 年企业人工智能/ML 趋势》（https://oreil.ly/HP6Qh），即使在已经成功将ML 模型部署到生产中的公司中，也有64% 的调查对象表示部署一个新模型需要一个多月的时间，比2020 年的56% 有所增加。Algorithmia 还发现，38% 的受访企业在模型部署上花费了数据科学家50% 以上的时间。这些障碍阻碍了人工智能从业人员应用其在人工智能方面的专业知识，为客户和企业实现人工智能的价值和承诺，在某些情况下甚至是阻碍了他们的工作。但好在情况并非如此。在过去的几年里，我们有幸参与了各种数据和ML 项目，并与来自多个行业的ML 从业人员进行了合作。正如我们在上文所述，虽然存在障碍和痛苦，但也有更好的途径、做法和工作系统，可以让ML 从业人员可靠地将支持ML 的产品交付到客户手中。这就是本书的主旨所在。我们将从自己的经验中提炼出一套持久的原则和实践，这些原则和实践始终帮助我们在现实世界中有效地交付ML 解决方案。这些实践之所以有效，是因为它们基于构建ML 系统的整体方法。它们超越了ML 的范畴，在各个子系统（如产品、工程、数据、交付流程、团队拓扑结构）中创建了重要的反馈回路，使团队能够快速安全地失败、快速实验并可靠地交付。本书适合人群无论你认为你可以，还是你认为你不能，你都是对的。—— 亨利·福特无论你是学术界、企业、初创公司、大型企业还是咨询公司的ML 实践者，本书中的原则和实践都能帮助你和你的团队更有效地交付ML 解决方案。本书详细介绍了ML 交付技术的跨职能性质，与此相一致的是，我们解决了从事ML的团队中多种角色所关心的问题和愿望：数据科学家和ML 工程师在过去几年中，数据科学家的工作范围发生了变化。我们不再单纯关注建模技术和数据分析，而是看到人们（或隐或显地）期望一个人需要具备全栈数据科学家的能力（https://oreil.ly/jV7EP）：数据整理、ML 工程、MLOps 和商业案例制定等。本书阐述了数据科学家和ML 工程师在现实世界中设计和交付ML 解决方案所需的能力。过去，我们曾向数据科学家、ML 工程师、博士生、软件工程师、质量分析师和产品经理介绍过本书中的原理、实践和上机练习，并一直收到积极的反馈。与我们合作过的业内人工智能从业人员都表示，自动化测试和重构等实践改善了反馈周期、流程和可靠性，让他们受益匪浅。我们的收获是，ML社区渴望学习这些技能和实践，而这正是我们扩大知识共享规模的尝试。软件工程师、基础设施和平台工程师、架构师当我们就本书所涉及的主题举办研讨会时，经常会遇到在ML 领域工作的软件工程师、基础架构和平台工程师以及架构师。虽然软件世界的能力（如基础设施即代码、部署自动化、自动测试）对于在现实世界中设计和交付ML 解决方案是必要的，但它们也是不够的。要构建可靠的ML 解决方案，我们需要拓宽软件视角，研究其他原则和实践，如ML 模型测试、双轨交付、持续发现和ML 治理，以应对ML 所特有的挑战。产品经理、交付经理、工程经理如果我们认为只需要数据科学家和ML 工程师就能打造ML 产品，那么我们就会失败。相反，我们的经验告诉我们，如果团队是跨职能的，并具备必要的ML、数据、工程、产品和交付能力，那么团队的效率就会最高。在本书中，我们将详细阐述如何应用精益交付实践和系统思维来创建结构，帮助团队关注客户的声音、缩短反馈环路、快速可靠地进行实验，并不断迭代以构建正确的东西。正如W. Edwards Deming（https://oreil.ly/eUxHc）曾经说过的，“一个糟糕的系统每次都会打败一个优秀的人”。因此，我们分享的原则和实践将帮助团队创建优化信息流、减少浪费（如交接、依赖性）和提高价值的结构。如果我们的工作做得正确，本书将邀请你仔细审视ML 和团队中“一直以来”的工作方式，反思这些方式对你的工作有多大帮助，并考虑更好的替代方案。阅读本书时，请保持开放的心态，对于以工程为重点的章节，请使用开放的代码编辑器。正如Peter M.Senge（https://oreil.ly/9HEwI）在他的《第五项修炼》（The Fifth Discipline，Doubleday 出版社）一书中所说：“获取信息与真正的学习只有很微妙的关系。如果说‘我刚刚读了一本关于自行车骑行的好书，现在我已经学会了’，那是毫无意义的”。我们希望你能在自己的团队中尝试这些做法，并亲身体验它们在实际项目中带来的价值。以持续改进的心态，而不是完美主义的心态来对待本书。没有一个项目是完美的，没有任何挑战。复杂性和挑战总是存在的（我们知道，健康的挑战是成长的必要条件），但本书中的实践将帮助你最大限度地减少意外的复杂性，这样你就可以专注于你的ML 解决方案的基本复杂性，并负责任地交付价值。本书的编排方式第1 章“交付ML 解决方案的挑战和更好的途径”是全书的精华所在。我们探讨了ML 项目失败的高层次和低层次原因。然后，我们通过在产品、交付、机器学习、工程和数据这五个关键领域采用精益交付实践，为交付有价值的ML解决方案铺设了一条更可靠的道路。在其余章节中，我们将介绍有效的ML团队和ML实践者的实践。在第一部分“产品和交付”中，我们将详细介绍交付ML 解决方案所需的其他子系统中的实践，如产品思维和精益交付。在第二部分“工程”中，我们将介绍有助于ML 从业人员实施和交付解决方案的实践（例如，自动测试、重构、有效使用代码编辑器、持续交付和MLOps）。在第三部分“团队”中，我们将探讨影响ML 团队效率的动态因素，如信任、共同进步、多样性，以及有助于建立高效团队的工程效率技术。我们还探讨了组织在将ML 实践扩展到一个或两个团队之外时所面临的共同挑战，并分享了团队拓扑结构、互动模式和领导力方面的技术，以帮助团队克服这些扩展挑战。第一部分：产品和交付第2 章，机器学习团队的产品和交付实践我们讨论产品发现技术，这些技术可以帮助我们发现机会，快速测试市场和技术假设，并找到可行的解决方案。从最有价值的问题和可行的解决方案入手，我们就能在交付过程中取得成功。我们还通过交付实践，帮助我们确定工作的形状、规模和顺序，以创造稳定的价值流。我们探讨了某些ML 问题的实验性和高不确定性所带来的独特挑战，并讨论了双轨交付模式等技术，这些技术可以帮助我们在更短的周期内更快地学习。最后，我们介绍了衡量ML项目关键方面的技术，并分享了识别和管理项目风险的技术。第二部分：工程学第3 章和第4 章，有效的依赖管理在本章中，我们将介绍创建一致、可重现、安全且类似于生产的运行时环境的原则和实践，并提供了一个可让你亲自动手编写代码的示例。当我们开始运行并交付解决方案时，你将看到本章中的实践将如何使你和你的队友“检出即可使用”，毫不费力地创建一致的环境，而不是陷入依赖地狱。第5 章和第6 章，ML 系统的自动测试这些章节为你提供了测试你的ML 解决方案组件（软件测试、模型测试或数据测试）的标准。我们将展示自动化测试如何帮助我们缩短反馈周期，减少人工测试的烦琐工作，或者更糟糕的是，修复人工测试中漏掉的生产缺陷。我们描述了软件测试范式对ML 模型的限制，以及ML 适应度函数和行为测试如何帮助我们扩展ML 模型的自动化测试。我们还将介绍全面测试大型语言模型（LLM）和LLM 应用程序的技术。第7 章，通过简单技巧为你的代码编辑器增效我们将向你展示如何配置代码编辑器（PyCharm 或VS Code），以帮助你更有效地编写代码。在通过几个步骤配置好集成开发环境后，我们将介绍一系列键盘快捷键，它们可以帮助你自动重构、自动检测和修复问题，以及浏览代码库而不会迷失在杂草中等。第8 章， 重构与技术债务管理在本章中，我们将借鉴软件设计的智慧，帮助我们设计可读、可测试、可维护和可演进的代码。本着“边做边学”的精神，你将看到我们如何利用有问题的、杂乱的和易碎的笔记本，并应用重构技术迭代改进我们的代码库，使其达到模块化、可测试和可读的状态。你还将学习到一些技术，这些技术可以帮助你和你的团队将技术债务显性化，并采取行动将其保持在健康的水平。第9 章，面向ML 的MLOps 和机器学习的持续交付（CD4ML）我们将从广阔的视角阐述MLOps 和CI/CD（持续集成和持续交付）的真正含义。剧透：这不仅仅是自动化模型部署和定义CI 管道。我们为CI/CD 在ML 项目中的独特形式描绘了一幅蓝图，并介绍了如何设置蓝图中的每个组件，以创建可靠的ML 解决方案，并将你的团队成员从重复和无差别的劳动中解放出来，使他们能够专注于其他更高价值的问题。我们还将了解CD4ML 如何充当风险控制机制，帮助团队坚持ML 治理和负责任人工智能的标准。第三部分：团队第10 章，打造高效机器学习团队的基石在本章中，我们将跳出机制的束缚，去理解在高效团队中实现良好实践的人际因素。我们将介绍有助于创建安全、以人为本和以成长为导向的团队的原则和实践。我们将探讨团队中的信任、沟通、共同目标、有目的的进步和多样性等话题。我们将分享一些需要注意的反模式，以及一些你可以用来培养协作文化、有效交付和学习的策略。第11 章，有效的机器学习组织本章介绍了人工智能团队的各种形态，并探讨了组织在将其人工智能实践扩展到多个团队时所面临的共同挑战。我们借鉴并调整了《团队拓扑》（IT Revolution Press）一书中讨论的策略，概述了独特的结构、原则和实践，帮助团队在工作流程与集中的专业知识、协作和自主之间找到平衡。我们评估了这些结构的优势和局限性，并为其发展提供指导，以满足组织的需求。最后，我们讨论了有意识的领导力及其支持性实践在塑造敏捷、反应迅速的ML 组织中的作用。其他想法在结束前言之前，我们想谈四件事。第一，我们要承认，ML 不仅仅是监督学习和LLM。我们还可以使用其他优化技术 [ 如强化学习（https://oreil.ly/7PjY6）、运筹学（https://oreil.ly/ZezrC）、仿真（https://oreil.ly/UVhfB）] 来解决数据密集型（甚至是数据贫乏型）问题。此外，ML 并非灵丹妙药，有些问题不用ML 也能解决。尽管我们在全书的代码示例中选择了一个监督学习问题（贷款违约预测）作为锚定示例，但其原理和实践的实用性并不局限于监督学习。例如，关于自动测试、依赖管理和代码编辑器生产力的章节甚至对强化学习也很有用。第2 章中概述的产品和交付实践对任何产品或问题空间的探索和交付阶段都很有用。第二，随着生成式人工智能和LLM 进入公众视野和许多组织的产品路线图，我们和我们的同事有机会与组织合作，共同构思、塑造和交付可利用以下功能的产品生成式人工智能。虽然LLM 已使我们引导或约束模型实现其预期功能的方式发生了范式转变，但精益产品交付和工程的基本原理并没有改变。事实上，本书中的基本工具和技术已经帮助我们尽早测试假设、快速迭代和可靠交付，从而即使在处理生成式人工智能和LLM 中固有的复杂问题时，也能保持敏捷性和可靠性。第三，关于文化的作用：机器学习的有效性和本书中的实践不是也不可能是一个人的努力。这就是我们将本书命名为《高效的机器学习团队》的原因。例如，你不可能是唯一编写测试的人。在我们合作过的组织中，如果（团队、部门甚至组织内部）在这些精益和敏捷实践方面达成了文化上的一致，那么个人就会变得最有效率。这并不意味着你需要与整个组织一起煮沸海洋；只是单打独斗是不够的。正如史蒂夫- 乔布斯曾经说过的那样：“伟大的事业从来不是一个人的功劳。它们是由一个团队完成的”。第四，本书不是关于生产力（如何尽可能多地发布功能、故事或代码），也不是关于效率（如何以最快的速度发布功能、故事或代码）。相反，它关注的是有效性，如何快速、可靠、负责任地构建正确的产品。本书讲述的是如何通过移动和有效的移动方式找到平衡。本书中的原则和实践一直在帮助我们成功地提供ML 解决方案，我们相信它们也能帮助你做到这一点。排版约定本书采用以下排版约定。斜体（Italic）表示新术语、URL、电子邮件地址、文件名和文件扩展名。等宽字体（Constant width）表示程序清单，在段落内表示程序元素，例如变量、函数名称、数据库、数据类型、环境变量、语句和关键字。粗体等宽字体（Constant width bold）表示应由用户原封不动输入的命令或其他文本。使用代码示例补充材料（代码示例、练习等）可在以下网址下载：? https://github.com/davified/loan-default-prediction? https://github.com/davified/ide-productivity? https://github.com/davified/refactoring-exercise如果你在使用代码示例时遇到技术问题或困难，请发送电子邮件至support@oreilly.com。本书旨在帮助你完成工作。一般来说，如果本书提供了示例代码，你可以在你的程序和文档中使用。除非你要复制代码的重要部分，否则不需要联系我们获得许可。例如，编写一个使用了本书多段代码的程序并不需要获得许可。销售或分发O’Reilly 书籍中的示例需要获得许可。通过引用本书和示例代码回答问题不需要许可。将本书中的大量示例代码纳入你的产品文档需要获得许可。我们感谢但一般不要求署名。署名通常包括标题、作者、出版商和ISBN。例如：“Effective Machine Learning Teams by David Tan， Ada Leung， and David Colls (O’Reilly). Copyright 2024 David Tan Rui Guan， Ada Leung Wing Man， and David Colls， 978-1-098-14463-0”。如果你认为对代码示例的使用超出了合理使用或上述许可范围，请随时通过permissions@oreilly.com 联系我们。O’Reilly 在线学习平台（O’Reilly Online Learning）近40 年来，O’Reilly Media 致力于提供技术和商业培训、知识和卓越见解，来帮助众多公司取得成功。公司独有的专家和改革创新者网络通过O’Reilly 书籍、文章以及在线学习平台，分享他们的专业知识和实践经验。O’Reilly 在线学习平台按照您的需要提供实时培训课程、深入学习渠道、交互式编程环境以及来自O’Reilly 和其他200 多家出版商的大量书籍与视频资料。更多信息，请访问网站：https://www.oreilly.com/。联系我们任何有关本书的意见或疑问，请按照以下地址联系出版社。美国：O’Reilly Media， Inc.1005 Gravenstein Highway NorthSebastopol， CA 95472中国：北京市西城区西直门南大街2 号成铭大厦C 座807 室（100035）奥莱利技术咨询（北京）有限公司我们为本书开设了一个网页，列出了勘误、示例和其他信息。你可以访问该网页：https://oreil.ly/effective-ml-teams。有关我们的书籍和课程的新闻和信息，请访问https://oreilly.com。我们的LinkedIn：https://linkedin.com/company/oreilly-media。我们的YouTube：https://youtube.com/oreillymedia。致谢当我们开始写这本书时，我们的初衷是分享在构建ML 系统过程中帮助过我们的要点实践。但我们最终得到的是一本全面的指南，我们坚信它将提升ML 团队的共同标准，并改变团队塑造和交付ML产品的方式。如果没有那些以身作则、言行一致、影响并塑造了我们的方法的人，这本书是不可能完成的。我们要感谢在O’Reilly 的那些出色的同事们，他们帮助这本书成为现实：Nicole Butterfield，Melissa Potter，Gregory Hyman，Kristen Brown，Nicole Taché，Judith McConville，David Futato，Karen Montgomery，Kate Dullea，以及其他在幕后不断改进这本书的编辑、设计师和工作人员。从本书的构思到出版，他们始终在努力完善这本书。特别感谢我们的技术审阅者，他们花费时间和精力认真阅读了300 多页的内容，并提供了深思熟虑和坦诚的反馈：Hannes Hapke，Harmeet Kaur Sokhi，Mat Kelcey，Vishwesh Ravi Shrimali。来自David Tan感谢Nhung 在我写这本书的深夜里给予我的耐心和支持。没有你的支持，我不可能完成这本书。我看到了什么，Jacob 和Jonas，一棵树！永远保持好奇心。特别要感谢Jeffrey Lau，你的指导没有白费。感谢Thoughtworks 过去和现在的同事们，他们教会了我很多关于提问之美的知识，并告诉我可以踏上新的道路。我想一一列举你们的名字，但名单太长了。你们知道自己是谁， 衷心感谢你们的坦诚、善良和出色。特别感谢Sue Visic、Dave Colls 和Peter Barnes 在本书写作过程中给予的鼓励和支持。Neal Ford 当我向你请教一些关于写书的后勤问题时，你不遗余力地与我分享了你的写作过程、如何检验想法，并向我介绍了Stephen King 和Annie Dillard 的写作理念。你没必要这么做，但你做到了。谢谢你，让我受益匪浅。在此，我衷心感谢我的合作者Ada 和Dave。你们提升了这本书的质量和广度，超出了我的想象，我很高兴看到这本指南能通过我们的集体经验帮助ML 团队和从业人员。来自Ada Leung我要感谢我的伙伴、朋友和家人。你们知道自己是谁。你们无尽的鼓励和对我与他人合著一本书的钦佩（是啊，我知道，对吧！）让我意识到，与聪明绝顶、令人印象深刻的技术专家为伍是多么酷的一件事。我还要感谢我一路走来遇到的Thoughtworks 同事，他们在远方给了我很多启发，我也有幸得到了他们的指导，他们对知识共享的热情和慷慨为我树立了很高的榜样。没有比“乌班图”哲学更贴切的词来形容这个社区了：因为我们是，所以我是。最后，致我的合作作者大卫和戴夫：感谢你们在整个旅程中给予我的坚定支持。通过分享我们的想法和发现我们集体知识的广度和重叠，我意识到我是多么珍视团队合作和友情。这是一种真正的快乐和荣幸。来自David Colls我要感谢我的家人，感谢他们在周末、电影之夜和篮球赛场上，忍受我这个丈夫和父亲连续几个月撰写、评论和研究内容。我要感谢世界各地的许多Thoughtworks 同事，他们先我们一步著书立说，对技术提出了变革性的观点，激发了我们的决心，并向我们展示了好的一面。就近而言，我要感谢十多年来与我共事的所有澳大利亚思想工作者，他们拓宽了我的视野，丰富了我的专业和为人。我要特别感谢Thoughtworks 澳大利亚公司数据与人工智能部门的所有成员，我有幸与他们合作，共同创造了新的东西，这本书里有你们每个人的影子。我还要感谢我们的客户，感谢他们对我们的信任，让我们为他们最大的机遇和挑战开发新的方法。最后，我要感谢我的合著者David 和Ada，感谢他们的专业知识和洞察力、对我的想法的反馈，以及在本书中提炼和分享我们知识的结构化方法。与你们合作非常愉快。
購物車/收銀台(0) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
