Публикации по теме 'mlops'
Ключевые моменты обучения по специализации MLOps — Курс 2
Серия специализаций MLOps
Ключевые моменты обучения по специализации MLOps — курс 2
Резюме (с конспектами лекций) из курса Machine Learning Engineering for Production (MLOps) DeepLearning.AI и Эндрю Нг
Хотя концепции машинного обучения ( ML ) очень важны, возможности производственного проектирования являются ключом к развертыванию моделей ML и получению отдачи от них в реальном мире.
DeepLearning.AI и Coursera недавно разработали курс Специализация MLOps , чтобы поделиться тем,..
4 ключевых компромисса при проектировании систем машинного обучения
Цель этой статьи — получить общий обзор типичного структурированного подхода к проектированию каждой системы для технологий машинного обучения. В этой статье мы проведем аналогии между проектированием систем MLops и классическими концепциями проектирования систем, которые мы будем повторять по ходу дела. Мы систематически структурируем его для различных характеристик и факторов, которые важно учитывать для вашей машины…
Автоматическое развертывание модели с помощью BentoML и Kubeflow
Как автоматизировать развертывание модели и даже переобучение модели в собственной настройке.
Одна из вещей, которая до сих пор меня не устраивала в нашем текущем рабочем процессе, заключается в том, что развертывание модели не настолько автоматизировано, как могло бы быть. Отчасти это связано с тем, что при развертывании модели необходимо учитывать несколько моментов:
Практическое руководство по написанию кода обработки данных производственного качества
Как легко перейти от ноутбуков к готовому коду
Настоящая ценность науки о данных заключается в том, что результаты ваших моделей машинного обучения (ML) используются другими, что зависит от их запуска в производство. Об этом свидетельствует появление инженера по машинному обучению, роль которого посвящена обеспечению хорошей работы моделей машинного обучения в производственной среде.
Инженеры-программисты разработали методы обеспечения готовности кода к производству, сосредоточив..
Отслеживаемость и воспроизводимость
В контексте MLOps трассируемость — это возможность отслеживать историю данных, код для обучения и прогнозирования, артефакты модели, среду, используемую при разработке и развертывании. Воспроизводимость — это возможность воспроизвести одни и те же результаты, отслеживая историю данных и версию кода.
Отслеживаемость позволяет нам легко отлаживать код, когда в рабочей среде наблюдаются неожиданные результаты. Воспроизводимость позволяет нам создавать одну и ту же модель с теми же данными и..
Зрелость систем машинного обучения
Обзор существующих рамок зрелости для систем машинного обучения
Низкокачественные системы машинного обучения вредны для бизнеса. Их трудно адаптировать и улучшать для удовлетворения потребностей бизнеса. В то же время они дорогие. Они потребляют много операционных ресурсов на исправление ошибок и отладку. Они имеют тенденцию накапливать технический долг и энтропию с течением времени. Они хрупкие, ненадежные и приводят к плохому опыту работы с клиентами. Таким образом, крайне важно..
Ключевые процессы MLOps (часть 5): Инициация проекта или инициализация проекта.
В этой статье мы опишем блок схемы, посвященный инициации проекта или инициализации проекта.
Всю схему, описывающую ключевые процессы MLOps, вы найдете здесь . Основными частями схемы являются горизонтальные блоки, внутри которых описаны процедурные аспекты MLOps. Каждый из них предназначен для решения конкретных задач в рамках обеспечения бесперебойной работы ML-сервисов компании.
Учитывая все вышесказанное, получается, что команда ML:
формирует наборы данных, проводит с ними..
