Cerchi informazioni su come applicare TFX per creare una soluzione che soddisfi le tue esigenze? Questi articoli e guide approfonditi possono aiutarti!
Architettura di un sistema di apprendimento automatico per la corrispondenza degli elementi quasi in tempo reale
Utilizza questo documento per conoscere l'architettura di una soluzione di machine learning (ML) che apprende e fornisce incorporamenti di elementi. Gli incorporamenti possono aiutarti a capire quali articoli i tuoi clienti considerano simili, consentendoti di offrire suggerimenti di "articoli simili" in tempo reale nella tua applicazione. Questa soluzione mostra come identificare brani simili in un set di dati e quindi utilizzare queste informazioni per fornire consigli sui brani. Per saperne di più
Preelaborazione dei dati per l'apprendimento automatico: opzioni e raccomandazioni
Questo articolo in due parti esplora l'argomento dell'ingegneria dei dati e dell'ingegneria delle funzionalità per l'apprendimento automatico (ML). Questa prima parte illustra le best practice per la preelaborazione dei dati in una pipeline di machine learning su Google Cloud. L'articolo si concentra sull'utilizzo di TensorFlow e della libreria open source TensorFlow Transform (tf.Transform) per preparare i dati, addestrare il modello e utilizzarlo per la previsione. Questa parte evidenzia le sfide legate alla preelaborazione dei dati per il machine learning e illustra le opzioni e gli scenari per eseguire in modo efficace la trasformazione dei dati su Google Cloud. Parte 1 Parte 2
Architettura per MLOps che utilizza TFX, Kubeflow Pipelines e Cloud Build
Questo documento descrive l'architettura complessiva di un sistema di machine learning (ML) che utilizza le librerie TensorFlow Extended (TFX). Viene inoltre illustrato come impostare l'integrazione continua (CI), la distribuzione continua (CD) e la formazione continua (CT) per il sistema ML utilizzando Cloud Build e Kubeflow Pipelines. Per saperne di più
MLOps: pipeline di distribuzione continua e automazione nell'apprendimento automatico
Questo documento illustra le tecniche per l'implementazione e l'automazione dell'integrazione continua (CI), della distribuzione continua (CD) e della formazione continua (CT) per i sistemi di machine learning (ML). La scienza dei dati e il machine learning stanno diventando funzionalità fondamentali per risolvere problemi complessi del mondo reale, trasformare i settori e fornire valore in tutti i settori. Per saperne di più
Configurazione di un ambiente MLOps su Google Cloud
Questa guida di riferimento descrive l'architettura di un ambiente di operazioni di machine learning (MLOps) su Google Cloud. La guida accompagna i laboratori pratici in GitHub che ti guidano attraverso il processo di provisioning e configurazione dell'ambiente qui descritto. Praticamente tutti i settori stanno adottando il machine learning (ML) a un ritmo in rapida accelerazione. Una sfida chiave per ottenere valore dal machine learning è creare modalità per distribuire e gestire i sistemi machine learning in modo efficace. Questa guida è destinata agli ingegneri di machine learning (ML) e DevOps. Per saperne di più
Requisiti chiave per una fondazione MLOps
Le organizzazioni guidate dall’intelligenza artificiale utilizzano i dati e l’apprendimento automatico per risolvere i problemi più difficili e stanno raccogliendo i frutti.
“Le aziende che assorbiranno completamente l’intelligenza artificiale nei loro flussi di lavoro che producono valore entro il 2025 domineranno l’economia mondiale del 2030 con una crescita del flusso di cassa del +120%”, secondo il McKinsey Global Institute.
Ma non è facile in questo momento. I sistemi di machine learning (ML) hanno una capacità speciale di creare debito tecnico se non gestiti bene. Per saperne di più
Come creare e distribuire una scheda modello nel cloud con Scikit-Learn
I modelli di apprendimento automatico vengono ora utilizzati per svolgere molti compiti impegnativi. Con il loro vasto potenziale, i modelli ML sollevano anche interrogativi sul loro utilizzo, costruzione e limitazioni. Documentare le risposte a queste domande aiuta a portare chiarezza e comprensione condivisa. Per contribuire a raggiungere questi obiettivi, Google ha introdotto le schede modello. Per saperne di più
Analisi e convalida dei dati su larga scala per il machine learning con TensorFlow Data Validation
Questo documento illustra come utilizzare la libreria TensorFlow Data Validation (TFDV) per l'esplorazione dei dati e l'analisi descrittiva durante la sperimentazione. I data scientist e gli ingegneri di machine learning (ML) possono utilizzare TFDV in un sistema ML di produzione per convalidare i dati utilizzati in una pipeline di formazione continua (CT) e per rilevare distorsioni e valori anomali nei dati ricevuti per la fornitura di previsioni. Include laboratori pratici . Per saperne di più