Публикации по теме 'mlops'


Развертывание модели Sagemaker — Пакетное преобразование
В предыдущем сообщении блога мы создали образ Docker для обучения и обслуживания модели в Sagemaker. Теперь мы можем перейти к тому, как развернуть модель на AWS Sagemaker. В самых общих чертах существует два различных метода развертывания, которые очень распространены и охватывают большинство вариантов использования для машинного обучения: Пакетное преобразование и Конечная точка вывода в реальном времени . В этом посте мы рассмотрим параметр Пакетное преобразование . Почему..
Модели как артефакты или код ?
Модели как артефакты Как правило, после обучения модели создается автономный артефакт, который может запускать модель независимо от ее обучающей системы . Затем эти артефакты используются как часть службы, например, управляющей выводом модели, или как вызов библиотеки, выполняемый в приложении. Есть две вещи для хранения: Код модели (обычно на питоне) Обученные веса или параметры. Обычно обученные веса хранятся в хранилище объектов. Код модели обычно пишется на Python...
5 причин, почему ИИ не масштабируется
Не секрет, что первые проекты машинного обучения в компании обычно терпят неудачу или дают некачественные результаты. Что менее известно, так это то, что работа ИИ, как правило, не соответствует тенденции масштабируемости. Вместо затрат, времени на окупаемость и рисков отказа, уменьшающихся с масштабом, с проектами машинного обучения происходит обратное. Это довольно надежное открытие. Команды искусственного интеллекта будут расширяться с точки зрения обслуживаемых клиентов,..
Насколько хорош ваш классификатор?
Мы опишем две метрики, применимые к любому классификатору, дающему прогнозы. Показатель для моделей, чьи прогнозы используются с порогом : Классификатор предоставляет прогноз p , и он считается положительным, если p превышает пороговое значение t. В зависимости от того, положительно это или нет, принимается решение, влияющее на реальный мир (например, автоматическое удаление спама). Мы определяем частоту действий как точность модели выше порогового значения t. Как мы..
Кейс для компании CDN, которая хочет добавить ML, чтобы улучшить процесс принятия решений
Базовая модель Пример компании CDN, которая хочет добавить ML для улучшения процесса принятия решений Это была моя тестовая оценка на собеседовании для компании CDN Описание задачи Мы хотели бы разработать инструмент, который поможет нам расширить нашу сеть за счет дополнительных серверов, размещенных в центре обработки данных, что максимально улучшит нашу глобальную задержку. Доступные точки данных: Расположение дата-центров Информация о задержке пользователя и т. д. Цель..
MLOps 3.3: Data-Centric подход к моделированию машинного обучения.
Всем привет! Это Akhil Theerthala с очередной частью моей серии MLOps. Возвращаться к своим старым заметкам, переписывать их и читать свежим взглядом было фантастическим опытом обучения. Всякий раз, когда вы пересматриваете заметки, я надеюсь, вы будете поражены тем же энтузиазмом, что и я, когда писал их. До сих пор в этой серии мы видели различные этапы проекта машинного обучения и получили обзор развертывания и моделирования. Это последняя статья из серии Моделирование , в которой..
Упрощение развертывания машинного обучения с помощью Airdot-Deployer
Упрощение развертывания машинного обучения с помощью Airdot-Deployer Почему развертывание машинного обучения так важно, но сложно? Что ж, если вы спросите меня, я бы сказал, что это может быть самая важная и сложная задача в полном жизненном цикле проекта ML, поскольку я делал это много раз и видел несколько способов сделать это. Так почему же это так, потому что до разработки модели проект является своего рода неструктурированным. Люди DS и ML обычно разрабатывают свои модели в..