Публикации по теме 'mlops'
Внедрение этических систем машинного обучения в производство с помощью Databricks
Когда Касс Санстейн, Даниэль Канеман и Оливье Сибони выпустили свою книгу Шум: недостаток человеческого суждения , они затронули неудобную истину: люди удивительно непоследовательны в принятии решений. В резюме, опубликованном в Harvard Business Review, авторы рассказывают о том, как на суждения широкого круга профессионалов, от оценщиков кредитно-рейтинговых агентств, врачей в отделениях неотложной помощи, страховщиков кредита и страхования сильно повлияли не относящиеся к делу факторы,..
Стратегии развертывания моделей машинного обучения
В Разница между специалистами по обработке и анализу данных и инженерами по машинному обучению я провел некоторое время, подчеркивая рабочий процесс инженера по машинному обучению. Он отвечает за создание и обслуживание конвейеров и инфраструктур машинного обучения.
Частью этих пайплайнов является развертывание: как только модель соответствует бизнес-требованиям и метрикам, она готова к интеграции…
Краткая история MLOps
Данные становятся все более сложными, как и подходы, предназначенные для их обработки. Компании имеют доступ к большему количеству данных, чем когда-либо, но многие все еще пытаются извлечь весь потенциал из того, что у них есть. Машинное обучение вмешалось, чтобы заполнить пробел. Однако жизненный цикл чаще всего разваливается на этапе развертывания из-за сильной зависимости от ручных процессов. MLOps — это методология, предназначенная для решения проблемы развертывания. Вот как..
TWIMLcon 2021: чему мы научились?
В январе 2021 года команда Glovo Machine Learning Platform приняла участие в одном из крупнейших мероприятий в сфере Machine Learning Operations (MLOPs): конференция TWIML Con AI Platforms .
Есть разные мнения о конференциях, которые длятся больше недели (TWIML — двухнедельная конференция), и особенно о тех, которые проходят онлайн (что по понятным причинам является стандартом в этом году). Однако это конкретное мероприятие, несмотря на некоторые чисто коммерческие разговоры, которые в..
Часть 2. Освоение MLOPS: подробное руководство по революционному развертыванию модели машинного обучения
Мы очень рады, что вы вернулись, поскольку мы продолжаем наше путешествие в мир MLOps. В части 1 мы углубились в основные концепции и стратегии эффективного развертывания моделей машинного обучения. Если вы пропустили это, не волнуйтесь! Вы можете наверстать упущенное, прочитав первую часть нашего блога здесь .
В этой части мы рассмотрим пять ключевых компонентов MLOps: разработку, развертывание, мониторинг, итерацию и управление. Эти компоненты служат основой для создания надежных и..
Взгляд в MLFlow
MLflow — это платформа для управления сквозным жизненным циклом машинного обучения.
MLflow играет решающую роль в решении задачи выбора лучшей модели из набора экспериментов. Часто люди сталкиваются с трудностями при определении наиболее оптимальной модели на основе своих экспериментов, MLflow старательно регистрирует всю необходимую информацию и подробности об эксперименте, которые можно использовать в процессе выбора лучшей модели.
Благодаря обширным возможностям ведения журналов..
Такие инструменты, как ClearML, Pachyderm, Techton, Algorithmia - это то, что миру нужно прямо сейчас, чтобы сделать…
Осознавая, что каждый бизнес - это бизнес, связанный с данными, многие лидеры быстро вкладывают средства в долгосрочное развитие возможностей машинного обучения и внедряют организационные изменения, необходимые для того, чтобы предметная область стала основной функцией. Платформенные инструменты и библиотеки машинного обучения, используемые специалистами по обработке данных за последние пять лет, позволили исследователям разобраться в огромных, ранее неуправляемых объемах данных с помощью..
