По мере развития науки о данных и машинного обучения (ML) роль, которую менеджеры программ играют в командах ML, также меняется, возможно, до такой степени, что она становится отдельной новой дисциплиной. В Части 1 этой серии статей, состоящей из двух частей, я подробно рассмотрел роль и обязанности руководства программы на каждом этапе разработки. В этой статье я сосредоточусь на инструментах и ​​процессах, необходимых для успешного ведения проектов в области науки о данных. Эти..

Как выбрать между DataOps, MLOps и AIOps? Какие операции подходят вашей команде по работе с большими данными? Два года назад я заработал свой позорный знак за то, что руководил неэффективной операцией. Я имею опыт работы в области науки о данных и машинного обучения, поэтому, конечно же, мы узнали о DevOps от наших коллег-инженеров. По крайней мере, мы так думали. В то время это было для нас необъяснимо, так как наши специалисты по данным сидели рядом с инженерами по данным. Мы..

Раньше машинное обучение и глубокое обучение застревали на этапе прототипирования, поскольку технологии развивались, а специалистов по ИИ было мало. Поскольку программы ИИ в университетах по всему миру привлекают студентов, инженеры машинного обучения становятся частью персонала каждой технологической компании, а программные инструменты для ИИ становятся стратегическими продуктами облачных гигантов, мы наблюдаем переход, когда машинное обучение и глубокое обучение становятся стандартной..

ИИ сейчас так быстро растет и помогает людям во многих областях. Мы могли бы легко получить предварительно обученную модель для решения конкретной проблемы или потратить немного времени на настройку модели с новой проблемой. Но сложность заключается в том, как развернуть модель ИИ на этапе производства, чтобы обслуживать множество запросов от клиентов. В этой статье мы начнем с простого способа масштабного развертывания модели ИИ в микросервисной архитектуре с Seldon. Что такое..

Введение в машинное обучение для производства / MLOps - этапы MLOps Обсуждение этапов создания модели машинного обучения, а именно определение объема, данных, моделирования и развертывания. Добро пожаловать назад! Это будет вторая статья в этой серии о MLOps. Ранее мы кратко рассмотрели проблемы, с которыми сталкиваются в производстве, и некоторые простые решения для их решения. Если у вас не было возможности ознакомиться с моей предыдущей статьей, вы можете ознакомиться с ней..

AWS запустила в мае 2021 года AWS App Runner - полностью управляемый сервис, который упрощает разработчикам быстрое развертывание контейнерных веб-приложений и API. [1] В отличие от AWS Fargate , AWS App Runner имеет ценовую политику, основанную на запросах, которые получает ваше приложение. Приложения, которые не получают запросы постоянно, могут извлечь из этого выгоду. Наш любимый MLflow как нельзя лучше вписывается в этот контекст. Взаимодействие с MLflow обычно..