|
|
rss_habr
Hydrosphere — управляем ML как сервисомЧетверг, 12 Января 2023 г. 17:09 (ссылка)
Подобно тому, как в мире разработки многокомпонентных систем применяются подходы для управления и мониторинга микросервисами на основе инструментов DevOps (для запуска и восстановления сервисов, передачи данных, наблюдения за распределенными операциями, выполнение замеров и получение операционных метрик), так же и для моделей машинного обучения становится важным обеспечить возможность их развертывания, обновления и наблюдения за метриками (точность модели, время выполнения прямого прохождения нейронной сети и другими). В обобщенном виде такие решения получили названия MLOps и в этой статье мы рассмотрим возможности платформы Hydrosphere 3.0. Читать далееhttps://habr.com/ru/post/710060/?utm_source=habrahabr&utm_medium=rss&utm_campaign=710060
rss_habr
Миф или реальность? Типовые заблуждения про low-code инструменты анализа данныхСреда, 28 Декабря 2022 г. 10:00 (ссылка)
Вокруг технологий всегда появляются мифы: фотоаппараты, похищающие душу, подавляющий свободную волю 5G, искусственный интеллект, который захватывает планету и отправляет киборга в прошлое… Всё это - примеры, основанные на страхе неизвестного, который, в свою очередь, является неотъемлемым свойством человеческого мышления. Анализ данных и машинное обучение, упоминаемые под термином «искусственный интеллект», за последние годы постепенно становятся обыденностью. Использование инструментов продвинутой аналитики для многих организаций стало столь же привычным делом, как автоматизация бухгалтерского учёта или внедрение электронного документооборота. В этой статье отобраны шесть наиболее популярных мифов вокруг low-code инструментов анализа данных. Насколько они близки к действительности - давайте обсудим. Поехали!https://habr.com/ru/post/707336/?utm_source=habrahabr&utm_medium=rss&utm_campaign=707336
rss_habr
Война ML фреймворков, русский стартап потеснит западЧетверг, 22 Декабря 2022 г. 20:10 (ссылка)
rss_habr
Деплоим Machine Learning Workloads используя MLFlowСреда, 21 Декабря 2022 г. 19:39 (ссылка)
Сегодня мы узнаем, как развертывать различные рабочие нагрузки машинного обучения с помощью MLflow. Не будем томить, сразу к делу. Читать далееhttps://habr.com/ru/post/706946/?utm_source=habrahabr&utm_medium=rss&utm_campaign=706946
rss_habr
Что такое MLOps? Самый подробный текст про работу с ML-системами, который вы найдете в интернетеЧетверг, 08 Декабря 2022 г. 15:50 (ссылка)
В этом материале мы подробно разбираем концепцию MLOps. Более того, делаем это тремя способами. Сначала теоретически — через самую толковую, на наш взгляд, схему MLOps. Затем — концептуально, через артефакты, которые заложены в подходе. И наконец, через понимание MLOps как информационной системы. Сохраняйте текст в закладки, потому что на данный момент это, возможно, самое полное описание MLOps на русском языке (и не перевод очередной англоязычной статьи!). Подарим мерч Selectel тому, кто пришлет ссылку на более развернутое описание концепции в комментариях. Читать дальше → https://habr.com/ru/post/703460/?utm_source=habrahabr&utm_medium=rss&utm_campaign=703460
rss_habr
[Перевод] Краткое введение в MLOpsПонедельник, 05 Декабря 2022 г. 16:00 (ссылка)
https://habr.com/ru/post/703164/?utm_source=habrahabr&utm_medium=rss&utm_campaign=703164
rss_habr
[Перевод] Apache Airflow vs PrefectПятница, 18 Ноября 2022 г. 11:55 (ссылка)
В мире современного дата-инжиниринга и MLOps необходимость оркестрации распределенных конвейеров данных с применением платформ управления рабочими процессами (workflow management platforms) становятся все очевиднее. Инструменты оркестрации рабочих процессов могут взять на себя тяготы обработки и распределения данных между системами и задачами, что по-прежнему является довольно сложным процессом. Оркестрация рабочих процессов является естественным ответом на растущую с течением времени сложность рабочих процессов и конвейеров. Очень часто команды разработчиков начинают с управления и обработки задач вручную, включая очистку данных, обучение, отслеживание результатов, развертывание и т. д. Но по мере усложнения задач и рабочих процессов ручная оркестрация становится все более трудоемкой. Это стало причиной развития платформ управления рабочими процессами и оркестрации в последние годы. Читать далееhttps://habr.com/ru/post/700166/?utm_source=habrahabr&utm_medium=rss&utm_campaign=700166
rss_habr
[Перевод] Методы обнаружения дрейфа данных. Часть 1: Многомерные методы обнаружения дрейфа табличных данныхЧетверг, 03 Ноября 2022 г. 12:20 (ссылка)
Это первая статья из серии, в которой мы исследуем задачу обнаружения дрейфа данных. Мы разбираем не только, почему это очень важная часть мониторинга моделей, но также обсуждаем методы и подходы, которые следует взять на заметку. В первой части этой серии мы обсуждаем дрейф в контексте табличных данных и описываем одномерные и многомерные методы решения этой задачи. В следующих постах мы рассмотрим неструктурированные данные, такие как изображения и документы, и обсудим, как мы можем построить системы обнаружения дрейфа в этих более сложных данных. Читать далееhttps://habr.com/ru/post/697254/?utm_source=habrahabr&utm_medium=rss&utm_campaign=697254
rss_habr
ML | HydraВторник, 01 Ноября 2022 г. 15:38 (ссылка)
Hydra это мощный фреймворк для управления файлами конфигурации. В основном его возможности заточенный под проведение ML-экспериментов и ведение ML-проектов в целом. Рассмотрим как его использовать на простом примере обучения ML-модели... Читать далееhttps://habr.com/ru/post/696820/?utm_source=habrahabr&utm_medium=rss&utm_campaign=696820
rss_habr
Open Source для MLOps: сравнение популярных решенийПонедельник, 24 Октября 2022 г. 14:57 (ссылка)
https://habr.com/ru/post/694482/?utm_source=habrahabr&utm_medium=rss&utm_campaign=694482
rss_habr
Мониторинг ML-систем. «6 лет назад vs сегодня»Понедельник, 10 Октября 2022 г. 18:42 (ссылка)
Шесть лет назад я занимался стартапом FscoreLab, мы разрабатывали ML-системы для кредитного скоринга. Тогда я ещё слыхом не слыхивал о термине MLOps, да я и не уверен, что он вообще существовал. Однако, необходимость определённых практик и процессов, которые сейчас относят к MLOps, стала быстро понятна уже тогда. Один из самых важных уроков того времени - если модель обучить, задеплоить и отправить в свободное плавание, то рано или поздно, постепенно или внезапно, но случится что-то не очень хорошее. Да, сейчас от этого "откровения" хочется зевать - написана тонна книг и статей, запилена куча полезных инструментов, но в то время пришлось собирать систему ML-мониторинга опытным путём из подручных материалов. Состояла она из следующих компонентов: Читать далееhttps://habr.com/ru/post/692462/?utm_source=habrahabr&utm_medium=rss&utm_campaign=692462
rss_habr
Evidently или как пасти модели в продеВоскресенье, 09 Октября 2022 г. 19:36 (ссылка)
Evidently это библиотека, которая помогает анализировать и отслеживать качество данных и качество моделей машинного обучения в процессе их эксплуатации. Рассмотрим как ее установить и использовать. Читать далееhttps://habr.com/ru/post/692272/?utm_source=habrahabr&utm_medium=rss&utm_campaign=692272
rss_habr
Куда приводят Ops'ы: размышления о развитии ландшафта *Ops-специализацийСреда, 05 Октября 2022 г. 13:33 (ссылка)
https://habr.com/ru/post/691636/?utm_source=habrahabr&utm_medium=rss&utm_campaign=691636
rss_habr
ClearML | ТуториалПонедельник, 03 Октября 2022 г. 21:19 (ссылка)
ClearML — это довольно мощный фреймворк, основным предназначением которого является трекинг ML-экспериментов. Для рассмотрения его возможностей построим небольшой пайплайн обучения ML-модели... Читать далееhttps://habr.com/ru/post/691314/?utm_source=habrahabr&utm_medium=rss&utm_campaign=691314
rss_habr
[Перевод] Архитектура платформы машинного обучения в продакшенеПонедельник, 03 Октября 2022 г. 12:18 (ссылка)
История машинного обучения (Machine learning, ML) началась в 1950-х, когда появились первые нейронные сети и алгоритмы ML. Однако чтобы стать известным обычному человеку, машинному обучению понадобилось ещё шестьдесят лет. Анализ более чем 16 тысяч статей по data science MIT technologies демонстрирует экспоненциальный рост машинного обучения на протяжении последних двадцати лет, стимулируемый big data и прогрессом в глубоком обучении. На практике любой, имеющий доступ к данным и компьютеру, может сегодня обучить модель машинного обучения. Возможности автоматизации и создаваемые ML прогнозы имеют множество различных применений. Благодаря им работают современные системы распознавания мошенничества, приложения доставки товаров предсказывают время прибытия на лету, а программы помогают в медицинской диагностике. Способы создания и применения моделей зависят от потребностей организации и прикладной области ML. Процесс создания моделей машинного обучения подробно описан, однако у ML существует и другая сторона — внедрение моделей в среде продакшена. Модели в продакшене управляются через специальный тип инфраструктуры — конвейеры машинного обучения. В статье мы расскажем о функциях сервисов ML в продакшене и рассмотрим готовые решения. Читать дальше → https://habr.com/ru/post/688406/?utm_source=habrahabr&utm_medium=rss&utm_campaign=688406
|
LiveInternet.Ru |
Ссылки: на главную|почта|знакомства|одноклассники|фото|открытки|тесты|чат О проекте: помощь|контакты|разместить рекламу|версия для pda |