Artigos de ML - Hidden Technical Debt in Machine Learning Systems

Artigos de ML - Hidden Technical Debt in Machine Learning Systems

Este vídeo é sobre um dos artigos que eu considero clássicos na literatura de Machine Learning em produção, e ao meu ver um dos primeiros artigos que começaram a trazer a percepção de como é difícil a manutenção e operação de sistemas de Machine Learning em produção por conta das suas enormes especificidades e ausência de um corpo de conhecimento relacionado.

Disclaimer: Eu não sou o autor do artigo. Esse vídeo foi criado unicamente para fins educacionais e de divulgação.

Link para o artigo

Link para o vídeo

Hidden Technical Debt in Machine Learning Systems

Abstract: Machine learning offers a fantastically powerful toolkit for building useful complex prediction systems quickly. This paper argues it is dangerous to think of these quick wins as coming for free. Using the software engineering framework of technical debt, we find it is common to incur massive ongoing maintenance costs in real-world ML systems. We explore several ML-specific risk factors to account for in system design. These include boundary erosion, entanglement, hidden feedback loops, undeclared consumers, data dependencies, configuration issues, changes in the external world, and a variety of system-level anti-patterns.