Публикации по теме 'ml-model-deployment'
Маршрутизация вывода машинного обучения в реальном времени с использованием шлюза API
Маршрутизация вывода машинного обучения в реальном времени с использованием шлюза API
Сегодня несколько компаний, таких как Google и Uber, создали рекомендательные системы в режиме реального времени, ориентированные на потребителя, одновременно обслуживая несколько тысяч моделей в производстве. Каждая из этих моделей решает одну и ту же бизнес-задачу и, следовательно, возникает необходимость разделения пользователей между несколькими нижестоящими службами вывода модели во время..
Наука о данных после развертывания: мониторинг моделей машинного обучения на предмет дрейфа производительности
Наука о данных после развертывания: мониторинг моделей машинного обучения на предмет дрейфа производительности
Введение
В этой статье вы узнаете, как сбои тихих моделей влияют на бизнес-модели и почему важно проектировать конвейеры машинного обучения для поддержки мониторинга моделей в рабочей среде. Вы также ознакомитесь с практическим учебным пособием по обнаружению отклонений модели с помощью Python и библиотеки NannyML.
Почему мониторинг моделей важен?
В последние годы..
Развертывание модели машинного обучения: кошмар для специалистов по данным?
Развертывание модели машинного обучения — кошмар специалиста по данным. Но почему это такая большая болевая точка? Можем ли мы упростить и оптимизировать этот процесс? Ответ ДА, можно! Благодаря развертыванию одним щелчком мыши в AI & Analytics Engine сложное развертывание моделей осталось в прошлом.
Только очень небольшой процент проектов машинного обучения увидит свет. Ты знаешь почему?
Специалисты по данным любят играть с данными, а затем создавать эффективные модели машинного..
Создание передовой платформы машинного обучения: пошаговое руководство
Получите полное руководство по созданию первоклассной платформы машинного обучения. Изучите управление данными и моделями, размещение, эксперименты и мониторинг. Получите базовые знания для разработки современной платформы машинного обучения. Эффективно обрабатывайте данные, оптимизируйте управление жизненным циклом модели и создавайте масштабируемую инфраструктуру хостинга. С помощью этого руководства вы сможете раскрыть всю мощь машинного обучения и оставаться впереди в мире,..
Практическое введение в Docker для специалистов по данным
Если вы можете создать, оценить и улучшить модель машинного обучения, вы сможете развернуть ее в рабочей среде.
Это руководство в основном предназначено для демонстрации того, как работает Docker с использованием репозитория, который развертывает модель машинного обучения с использованием fastAPI и Docker.
В этом посте я рассказываю:
Объектно-ориентированное программирование Что такое Docker и Как использовать Docker с примером развертывания модели..
Как построить и развернуть модель с помощью FastAPI
Развертывание моделей машинного обучения стало проще!
Создание моделей машинного обучения — это одно, а развертывание их, чтобы сделать их действительно полезными для кого-то, — это совсем другое. Доступность модели имеет существенное значение; иначе, как бы оно ни было хорошо, оно бесполезно. Среди всех других методов один из самых используемых и простых — это обернуть модели машинного обучения внутри REST API, чем мы сегодня и займемся — с помощью FastAPI .
Что такое FastAPI?..
Развертывание интеллектуальной модели и конвейер потребления с облачной платформой DataRobot AI
В этом уроке мы сосредоточимся на третьей части платформы ИИ «MLOps». Мы подробно расскажем о развертывании модели, реестре моделей и приложении для вывода модели. Мы развернем модели из списков лидеров машинного обучения в конвейер MLOps и будем использовать их различными способами, т. е. API, Stream, локальный режим и рабочие процессы заданий.
DataRobot AI Cloud — это новый подход, созданный с учетом требований, задач и возможностей современного ИИ. Это единая система записи,..