귀하의 요구 사항을 충족하는 솔루션을 구축하기 위해 TFX를 적용하는 방법에 대한 통찰력을 찾고 계십니까? 이 심층적인 기사와 가이드가 도움이 될 수 있습니다!
실시간에 가까운 항목 매칭을 위한 머신러닝 시스템 아키텍처
이 문서를 사용하여 항목 임베딩을 학습하고 제공하는 기계 학습(ML) 솔루션의 아키텍처에 대해 알아보세요. 임베딩은 고객이 유사하다고 생각하는 항목을 이해하는 데 도움이 되며, 이를 통해 애플리케이션에서 실시간 "유사 항목" 제안을 제공할 수 있습니다. 이 솔루션은 데이터 세트에서 유사한 노래를 식별한 다음 이 정보를 사용하여 노래를 추천하는 방법을 보여줍니다. 더 읽어보세요
기계 학습을 위한 데이터 전처리: 옵션 및 권장 사항
두 부분으로 구성된 이 문서에서는 기계 학습(ML)을 위한 데이터 엔지니어링 및 기능 엔지니어링 주제를 살펴봅니다. 첫 번째 부분에서는 Google Cloud의 머신러닝 파이프라인에서 데이터를 사전 처리하는 권장사항을 설명합니다. 이 기사에서는 TensorFlow 및 오픈 소스 TensorFlow Transform(tf.Transform) 라이브러리를 사용하여 데이터를 준비하고, 모델을 훈련하고, 예측을 위한 모델을 제공하는 데 중점을 둡니다. 이 부분에서는 머신러닝을 위한 데이터 사전 처리의 과제를 강조하고 Google Cloud에서 데이터 변환을 효과적으로 수행하기 위한 옵션과 시나리오를 보여줍니다. 1 부 2부
TFX, Kubeflow Pipelines, Cloud Build를 사용하는 MLOps용 아키텍처
이 문서에서는 TFX(TensorFlow Extended) 라이브러리를 사용하는 머신러닝(ML) 시스템의 전체 아키텍처를 설명합니다. 또한 Cloud Build 및 Kubeflow Pipelines를 사용하여 ML 시스템에 대한 지속적 통합(CI), 지속적 배포(CD), 지속적 학습(CT)을 설정하는 방법을 설명합니다. 더 읽어보세요
MLOps: 기계 학습의 지속적인 제공 및 자동화 파이프라인
이 문서에서는 ML(기계 학습) 시스템을 위한 CI(지속적 통합), CD(지속적 배포), CT(지속적 교육)를 구현하고 자동화하는 기술에 대해 설명합니다. 데이터 과학과 ML은 복잡한 실제 문제를 해결하고, 산업을 변화시키며, 모든 영역에서 가치를 제공하는 핵심 역량이 되고 있습니다. 더 읽어보세요
Google Cloud에서 MLOps 환경 설정
이 참조 가이드에서는 Google Cloud의 머신러닝 작업(MLOps) 환경 아키텍처를 간략하게 설명합니다. 이 가이드에는 여기에 설명된 환경을 프로비저닝하고 구성하는 과정을 안내하는 GitHub의 실습 랩이 함께 제공됩니다 . 거의 모든 산업에서 머신러닝(ML)이 빠른 속도로 도입되고 있습니다. ML에서 가치를 얻기 위한 주요 과제는 ML 시스템을 효과적으로 배포하고 운영하는 방법을 만드는 것입니다. 이 가이드는 기계 학습(ML) 및 DevOps 엔지니어를 대상으로 작성되었습니다. 더 읽어보세요
MLOps 기반의 주요 요구 사항
AI 기반 조직은 데이터와 머신러닝을 사용하여 가장 어려운 문제를 해결하고 보상을 받고 있습니다.
McKinsey Global Institute에 따르면 “2025년까지 가치 창출 워크플로에 AI를 완전히 흡수하는 기업은 120% 이상의 현금 흐름 성장으로 2030년 세계 경제를 지배하게 될 것입니다.”
하지만 지금은 쉽지 않습니다. 머신러닝(ML) 시스템은 잘 관리되지 않으면 기술 부채가 발생할 수 있는 특별한 능력을 가지고 있습니다. 더 읽어보세요
Scikit-Learn을 사용하여 클라우드에서 모델 카드를 생성하고 배포하는 방법
이제 기계 학습 모델은 많은 까다로운 작업을 수행하는 데 사용되고 있습니다. ML 모델은 엄청난 잠재력을 갖고 있기 때문에 사용법, 구성, 제한 사항에 대한 의문도 제기합니다. 이러한 질문에 대한 답변을 문서화하면 명확성과 공유된 이해를 얻는 데 도움이 됩니다. 이러한 목표를 달성하기 위해 Google은 모델 카드를 도입했습니다. 더 읽어보세요
TensorFlow Data Validation을 사용하여 머신러닝을 위한 대규모 데이터 분석 및 검증
이 문서에서는 실험 중 데이터 탐색 및 설명 분석을 위해 TFDV(TensorFlow Data Validation) 라이브러리를 사용하는 방법을 설명합니다. 데이터 과학자와 기계 학습(ML) 엔지니어는 프로덕션 ML 시스템에서 TFDV를 사용하여 CT(지속적 학습) 파이프라인에 사용되는 데이터를 검증하고 예측 제공을 위해 수신된 데이터에서 편향과 이상값을 감지할 수 있습니다. 여기에는 실무형 실습이 포함됩니다. 더 읽어보세요