Сегодня исполняется шестой месяц моей нынешней компании, работающей инженером по машинному обучению. Хотя моя предыдущая должность также была связана с машинным обучением, у нас была менее сложная экосистема, и мы больше сосредоточились на исследованиях и проверке концепции. Напротив, моя текущая команда использует более зрелые инструменты для проектов машинного обучения, чтобы поддерживать их полный жизненный цикл. В этом посте я хочу поделиться своими знаниями о производстве моделей..

Продукт Проблема . Какую проблему пытается решить приложение машинного обучения. Определите проблему так, чтобы у нее было решение. Бизнес-цель . Метрика, от которой будет зависеть успех вашего проекта по машинному обучению. Создайте метрики, которые архивируют или не достигают цели. Данные Получить данные . Начните запись и хранение данных после того, как будет выбран продукт. Обработка данных : обработка ваших данных таким образом, чтобы они были структурированы таким..

Введение Машинное обучение (ML) стало фундаментальной опорой во многих секторах цифровой экономики. Однако разработка моделей машинного обучения — это лишь часть задачи. Управление этими моделями, включая их разработку, развертывание и мониторинг, одинаково важно, но часто упускается из виду. Здесь пригодятся такие инструменты, как MLflow. MLflow — это платформа с открытым исходным кодом, которая управляет всем жизненным циклом машинного обучения, включая экспериментирование,..

В прошлом году отрасль уделяла больше внимания переносу моделей машинного обучения (ML) из лабораторий в реальные развертывания. В своей любви к созданию более крутых и крутых моделей машинного обучения команды машинного обучения не уделили достаточного внимания некоторым важнейшим аспектам программной инженерии, которые мы усвоили на собственном горьком опыте за последние десятилетия. Модель машинного обучения, которую можно рассматривать как часть программного обеспечения для бизнеса,..