Публикации по теме 'mlops'


Трубопроводы Kubeflow: пошаговое руководство
Kubeflow Pipelines — это платформа для создания, развертывания и управления сквозными рабочими процессами машинного обучения. Он упрощает процесс создания и выполнения конвейеров машинного обучения, упрощая совместную работу специалистов по данным и инженеров при разработке и развертывании моделей. В этом руководстве мы проведем вас через процесс настройки конвейеров Kubeflow на вашем локальном компьютере с помощью MiniKF и запуска простого конвейера на Python. Предпосылки..
7 самых крутых тем машинного обучения 2021 года
До ODSC West 2021 осталось всего несколько недель, а повестка дня актуальна, так что сейчас самое подходящее время, чтобы быстро рассказать о том, что будет интересного и актуального на этом предстоящем мероприятии. Вот некоторые из наших лучших решений, которые помогут машинному обучению и специалистам по обработке и анализу данных быть в курсе актуальных тем в этой области с этими популярными темами машинного обучения. Безопасность машинного обучения Остановитесь на..
Как создавать и делиться компонентами для Kubeflow Pipelines
По оценкам Stripe , технический долг обходится предприятиям по всему миру в 3 миллиарда долларов в год. Это число не будет уменьшаться по мере того, как инновации ускоряются, и все больше продуктов переходят на стадию устаревших продуктов, уступая место новым. По данным Gartner исследования , компании, которые работают с техническими долгами, работают на 50 % быстрее. Разделение ответственности является одним из ключевых элементов погашения технического долга. Отдельные части системы..
Управление моделями с помощью реестра моделей SageMaker: оптимизация операций машинного обучения в современную эпоху
Эффективное управление моделями машинного обучения (ML) имеет первостепенное значение в современном быстро меняющемся мире искусственного интеллекта. Прошли те времена, когда разработчики вручную отслеживали версии моделей, метрики и артефакты. Этот ручной подход подвержен ошибкам и не масштабируется с ростом сложности проектов ML. Познакомьтесь с решением AWS для этой проблемы: реестром моделей SageMaker. Что такое реестр моделей SageMaker? Реестр моделей SageMaker — это..
Инжиниринг данных — Неделя 4
Неделя 4 — Курс Zoomcamp по инженерии данных: Аналитическая инженерия Примечание . Содержание этого поста основано на видеороликах курса, моем понимании и поиске, а также справочной документации. На этой неделе мы узнаем об инженерной аналитике. В предыдущие недели мы загружали данные такси Нью-Йорка в облачное хранилище Google, создавали таблицы BigQuery и выполняли к ним некоторые запросы. На этой неделе мы узнаем, как использовать DBT для аналитики и трансформации ( T в ELT). Что..
Развертывание моделей искусственного интеллекта в облаке Azure
Развертывание моделей искусственного интеллекта в облаке Azure Основываясь на опыте работы над проектами AI (искусственный интеллект) и машинного обучения (машинное обучение) с платформой AML (машинное обучение Azure) с 2018 года, в этой статье мы поделимся точкой зрения ( положительные стороны ) по внедрению ваших моделей искусственного интеллекта в производство в облаке Azure с помощью MLOps. Это типичная ситуация, когда первоначальное экспериментирование (метод проб и ошибок) и..
Секрет внедрения машинного обучения в производство
Подавляющее большинство проектов машинного обучения (ML) терпят неудачу. Если вы Data Scientist, это, вероятно, неудивительно: вы видели много проектов, которые начинались как многообещающие и исчезали, или, что еще хуже, запускались в производство, а затем откатывались из-за низкой производительности и жалоб клиентов. Некоторые просто относятся к этому как к «части жизни» в командах машинного обучения. Но задумывались ли вы когда-нибудь, есть ли общий знаменатель у этих неудач?..