Mencari wawasan tentang bagaimana TFX dapat diterapkan untuk membangun solusi yang memenuhi kebutuhan Anda? Artikel dan panduan mendalam ini mungkin bisa membantu!
Arsitektur sistem pembelajaran mesin untuk pencocokan item hampir secara real-time
Gunakan dokumen ini untuk mempelajari arsitektur solusi pembelajaran mesin (ML) yang mempelajari dan melayani penyematan item. Penyematan dapat membantu Anda memahami item apa yang dianggap serupa oleh pelanggan Anda, yang memungkinkan Anda menawarkan saran "item serupa" secara real-time di aplikasi Anda. Solusi ini menunjukkan kepada Anda cara mengidentifikasi lagu serupa dalam kumpulan data, lalu menggunakan informasi ini untuk membuat rekomendasi lagu. Baca selengkapnya
Pemrosesan awal data untuk pembelajaran mesin: opsi dan rekomendasi
Artikel dua bagian ini membahas topik rekayasa data dan rekayasa fitur untuk pembelajaran mesin (ML). Bagian pertama ini membahas praktik terbaik prapemrosesan data dalam pipeline machine learning di Google Cloud. Artikel ini berfokus pada penggunaan TensorFlow dan pustaka TensorFlow Transform (tf.Transform) open source untuk menyiapkan data, melatih model, dan menyajikan model untuk prediksi. Bagian ini menyoroti tantangan prapemrosesan data untuk machine learning, dan mengilustrasikan opsi dan skenario untuk melakukan transformasi data di Google Cloud secara efektif. Bagian 1 Bagian 2
Arsitektur untuk MLOps menggunakan TFX, Kubeflow Pipelines, dan Cloud Build
Dokumen ini menjelaskan keseluruhan arsitektur sistem pembelajaran mesin (ML) menggunakan pustaka TensorFlow Extended (TFX). Dibahas juga cara menyiapkan integrasi berkelanjutan (CI), pengiriman berkelanjutan (CD), dan pelatihan berkelanjutan (CT) untuk sistem ML menggunakan Cloud Build dan Kubeflow Pipelines. Baca selengkapnya
MLOps: Pengiriman berkelanjutan dan jalur otomatisasi dalam pembelajaran mesin
Dokumen ini membahas teknik penerapan dan otomatisasi integrasi berkelanjutan (CI), pengiriman berkelanjutan (CD), dan pelatihan berkelanjutan (CT) untuk sistem pembelajaran mesin (ML). Ilmu data dan ML menjadi kemampuan inti untuk memecahkan masalah kompleks di dunia nyata, mentransformasi industri, dan memberikan nilai di semua domain. Baca selengkapnya
Menyiapkan lingkungan MLOps di Google Cloud
Panduan referensi ini menguraikan arsitektur lingkungan operasi pembelajaran mesin (MLOps) di Google Cloud. Panduan ini disertakan dengan lab praktis di GitHub yang memandu Anda melalui proses penyediaan dan konfigurasi lingkungan yang dijelaskan di sini. Hampir semua industri mengadopsi pembelajaran mesin (ML) dengan kecepatan yang meningkat pesat. Tantangan utama untuk mendapatkan nilai dari ML adalah menciptakan cara untuk menerapkan dan mengoperasikan sistem ML secara efektif. Panduan ini ditujukan untuk teknisi pembelajaran mesin (ML) dan DevOps. Baca selengkapnya
Persyaratan utama untuk yayasan MLOps
Organisasi yang digerakkan oleh AI menggunakan data dan pembelajaran mesin untuk memecahkan masalah tersulit mereka dan menuai hasilnya.
“Perusahaan yang sepenuhnya menyerap AI dalam alur kerja mereka yang menghasilkan nilai pada tahun 2025 akan mendominasi perekonomian dunia pada tahun 2030 dengan pertumbuhan arus kas +120%,” menurut McKinsey Global Institute.
Namun hal itu tidak mudah saat ini. Sistem pembelajaran mesin (ML) memiliki kapasitas khusus untuk menciptakan utang teknis jika tidak dikelola dengan baik. Baca selengkapnya
Cara membuat dan menerapkan kartu model di cloud dengan Scikit-Learn
Model pembelajaran mesin kini digunakan untuk menyelesaikan banyak tugas yang menantang. Dengan potensinya yang besar, model ML juga menimbulkan pertanyaan tentang penggunaan, konstruksi, dan keterbatasannya. Mendokumentasikan jawaban atas pertanyaan-pertanyaan ini membantu memberikan kejelasan dan pemahaman bersama. Untuk membantu mencapai tujuan ini, Google telah memperkenalkan kartu model. Baca selengkapnya
Menganalisis dan memvalidasi data dalam skala besar untuk pembelajaran mesin dengan Validasi Data TensorFlow
Dokumen ini membahas cara menggunakan pustaka TensorFlow Data Validation (TFDV) untuk eksplorasi data dan analisis deskriptif selama eksperimen. Ilmuwan data dan teknisi pembelajaran mesin (ML) dapat menggunakan TFDV dalam sistem ML produksi untuk memvalidasi data yang digunakan dalam pipeline pelatihan berkelanjutan (CT), dan untuk mendeteksi penyimpangan dan outlier dalam data yang diterima untuk penyajian prediksi. Ini mencakup laboratorium praktis . Baca selengkapnya