¿Busca información sobre cómo se puede aplicar TFX para crear una solución que satisfaga sus necesidades? ¡Estos artículos y guías detallados pueden ayudar!
Arquitectura de un sistema de aprendizaje automático para la coincidencia de elementos casi en tiempo real
Utilice este documento para obtener información sobre la arquitectura de una solución de aprendizaje automático (ML) que aprende y sirve incorporaciones de elementos. Las incrustaciones pueden ayudarlo a comprender qué elementos consideran similares sus clientes, lo que le permite ofrecer sugerencias de "elementos similares" en tiempo real en su aplicación. Esta solución le muestra cómo identificar canciones similares en un conjunto de datos y luego usar esta información para hacer recomendaciones de canciones. Lee mas
Preprocesamiento de datos para el aprendizaje automático: opciones y recomendaciones
Este artículo de dos partes explora el tema de la ingeniería de datos y la ingeniería de funciones para el aprendizaje automático (ML). Esta primera parte analiza las mejores prácticas de preprocesamiento de datos en una canalización de aprendizaje automático en Google Cloud. El artículo se centra en el uso de TensorFlow y la biblioteca de código abierto TensorFlow Transform (tf.Transform) para preparar datos, entrenar el modelo y entregar el modelo para la predicción. Esta parte destaca los desafíos del preprocesamiento de datos para el aprendizaje automático e ilustra las opciones y escenarios para realizar la transformación de datos en Google Cloud de manera efectiva. Parte 1 Parte 2
Arquitectura para MLOps usando TFX, Kubeflow Pipelines y Cloud Build
Este documento describe la arquitectura general de un sistema de aprendizaje automático (ML) que usa bibliotecas TensorFlow Extended (TFX). También analiza cómo configurar una integración continua (CI), entrega continua (CD) y capacitación continua (CT) para el sistema de AA mediante Cloud Build y Kubeflow Pipelines. Lee mas
MLOps: canalizaciones de automatización y entrega continua en el aprendizaje automático
Este documento analiza las técnicas para implementar y automatizar la integración continua (CI), la entrega continua (CD) y la capacitación continua (CT) para sistemas de aprendizaje automático (ML). La ciencia de datos y el aprendizaje automático se están convirtiendo en capacidades centrales para resolver problemas complejos del mundo real, transformar industrias y ofrecer valor en todos los dominios. Lee mas
Configuración de un entorno MLOps en Google Cloud
Esta guía de referencia describe la arquitectura de un entorno de operaciones de aprendizaje automático (MLOps) en Google Cloud. La guía acompaña laboratorios prácticos en GitHub que le guiarán a través del proceso de aprovisionamiento y configurar el entorno descrito aquí. Prácticamente todas las industrias están adoptando el aprendizaje automático (ML) a un ritmo acelerado. Un desafío clave para obtener valor del aprendizaje automático es crear formas de implementar y operar sistemas de aprendizaje automático de manera efectiva. Esta guía está destinada a ingenieros de aprendizaje automático (ML) y DevOps. Lee mas
Requisitos clave para una base MLOps
Las organizaciones impulsadas por la inteligencia artificial están utilizando datos y aprendizaje automático para resolver sus problemas más difíciles y están cosechando las recompensas.
“Las empresas que absorben totalmente la IA en sus flujos de trabajo de producción de valor en 2025 dominarán la economía mundial 2030 con un crecimiento del flujo de caja + 120%”, según McKinsey Global Institute.
Pero no es fácil ahora. Los sistemas de aprendizaje automático (ML) tienen una capacidad especial para generar deuda técnica si no se gestionan bien. Lee mas
Cómo crear e implementar una tarjeta modelo en la nube con Scikit-Learn
Los modelos de aprendizaje automático ahora se utilizan para realizar muchas tareas desafiantes. Con su vasto potencial, los modelos ML también plantean preguntas sobre su uso, construcción y limitaciones. Documentar las respuestas a estas preguntas ayuda a aportar claridad y comprensión compartida. Para ayudar a avanzar en estos objetivos, Google ha introducido modelos de tarjetas. Lee mas
Analizar y validar datos a escala para el aprendizaje automático con Validación de datos de TensorFlow
Este documento analiza cómo usar la biblioteca de validación de datos de TensorFlow (TFDV) para la exploración de datos y el análisis descriptivo durante la experimentación. Los científicos de datos y los ingenieros de aprendizaje automático (ML) pueden usar TFDV en un sistema de ML de producción para validar los datos que se utilizan en una canalización de entrenamiento continuo (CT) y para detectar sesgos y valores atípicos en los datos recibidos para servir predicciones. Incluye laboratorios prácticos. Lee mas