Szukasz informacji o tym, jak można zastosować TFX do zbudowania rozwiązania spełniającego Twoje potrzeby? Te szczegółowe artykuły i przewodniki mogą okazać się pomocne!
Architektura systemu uczenia maszynowego do dopasowywania elementów w czasie zbliżonym do rzeczywistego
Skorzystaj z tego dokumentu, aby poznać architekturę rozwiązania do uczenia maszynowego (ML), które uczy się i obsługuje osadzanie elementów. Osadzanie może pomóc Ci zrozumieć, jakie produkty Twoi klienci uważają za podobne, co umożliwia oferowanie w aplikacji sugestii dotyczących „podobnych produktów” w czasie rzeczywistym. To rozwiązanie pokazuje, jak zidentyfikować podobne utwory w zestawie danych, a następnie wykorzystać te informacje do przedstawienia rekomendacji utworów. Czytaj więcej
Wstępne przetwarzanie danych na potrzeby uczenia maszynowego: opcje i rekomendacje
W tym dwuczęściowym artykule omówiono temat inżynierii danych i inżynierii funkcji na potrzeby uczenia maszynowego (ML). W pierwszej części omówiono najlepsze praktyki wstępnego przetwarzania danych w potoku uczenia maszynowego w Google Cloud. W artykule skupiono się na wykorzystaniu TensorFlow i biblioteki TensorFlow Transform (tf.Transform) o otwartym kodzie źródłowym do przygotowywania danych, uczenia modelu i obsługi modelu do predykcji. W tej części podkreślono wyzwania związane z wstępnym przetwarzaniem danych na potrzeby uczenia maszynowego oraz ilustrowano opcje i scenariusze skutecznego przeprowadzania transformacji danych w Google Cloud. Część 1 Część 2
Architektura dla MLOps wykorzystująca TFX, Kubeflow Pipelines i Cloud Build
W tym dokumencie opisano ogólną architekturę systemu uczenia maszynowego (ML) wykorzystującego biblioteki TensorFlow Extended (TFX). Omówiono także, jak skonfigurować ciągłą integrację (CI), ciągłe dostarczanie (CD) i ciągłe szkolenie (CT) dla systemu ML przy użyciu Cloud Build i Kubeflow Pipelines. Czytaj więcej
MLOps: Ciągłe dostarczanie i potoki automatyzacji w uczeniu maszynowym
W tym dokumencie omówiono techniki wdrażania i automatyzacji ciągłej integracji (CI), ciągłego dostarczania (CD) i ciągłego szkolenia (CT) dla systemów uczenia maszynowego (ML). Analiza danych i uczenie maszynowe stają się podstawowymi możliwościami rozwiązywania złożonych problemów występujących w świecie rzeczywistym, przekształcania branż i dostarczania wartości we wszystkich dziedzinach. Czytaj więcej
Konfigurowanie środowiska MLOps w Google Cloud
W tym przewodniku referencyjnym opisano architekturę środowiska operacji uczenia maszynowego (MLops) w Google Cloud. Przewodnik towarzyszy praktycznym laboratoriom w serwisie GitHub, które przeprowadzą Cię przez proces udostępniania i konfigurowania środowiska opisanego w tym miejscu. Praktycznie wszystkie branże wdrażają uczenie maszynowe (ML) w szybkim tempie. Kluczowym wyzwaniem w zakresie uzyskiwania korzyści z uczenia maszynowego jest stworzenie sposobów skutecznego wdrażania i obsługi systemów uczenia maszynowego. Ten przewodnik jest przeznaczony dla inżynierów zajmujących się uczeniem maszynowym (ML) i DevOps. Czytaj więcej
Kluczowe wymagania dla fundamentu MLOps
Organizacje oparte na sztucznej inteligencji wykorzystują dane i uczenie maszynowe do rozwiązywania swoich najtrudniejszych problemów i czerpią z tego korzyści.
„Firmy, które do 2025 r. w pełni wdrożą sztuczną inteligencję w swoich procesach wytwarzania wartości, zdominują światową gospodarkę w 2030 r., odnotowując wzrost przepływów pieniężnych o +120%” – twierdzi McKinsey Global Institute.
Ale teraz nie jest to łatwe. Systemy uczenia maszynowego (ML) mają szczególną zdolność do tworzenia długu technicznego, jeśli nie są dobrze zarządzane. Czytaj więcej
Jak utworzyć i wdrożyć kartę modelu w chmurze za pomocą Scikit-Learn
Modele uczenia maszynowego są obecnie wykorzystywane do realizacji wielu trudnych zadań. Ze względu na swój ogromny potencjał modele ML rodzą również pytania dotyczące ich zastosowania, konstrukcji i ograniczeń. Dokumentowanie odpowiedzi na te pytania pomaga zapewnić jasność i wspólne zrozumienie. Aby pomóc w realizacji tych celów, Google wprowadził karty modelowe. Czytaj więcej
Analizowanie i sprawdzanie danych na dużą skalę na potrzeby uczenia maszynowego za pomocą narzędzia TensorFlow Data Validation
W tym dokumencie omówiono sposób korzystania z biblioteki TensorFlow Data Validation (TFDV) do eksploracji danych i analiz opisowych podczas eksperymentów. Analitycy danych i inżynierowie uczenia maszynowego (ML) mogą używać TFDV w produkcyjnym systemie ML do sprawdzania poprawności danych używanych w potoku ciągłego szkolenia (CT) oraz do wykrywania odchyleń i wartości odstających w danych otrzymanych na potrzeby udostępniania prognoz. Obejmuje laboratoria praktyczne . Czytaj więcej