Procurando insights sobre como o TFX pode ser aplicado para criar uma solução que atenda às suas necessidades? Esses artigos e guias detalhados podem ajudar!
Arquitetura de um sistema de aprendizado de máquina para correspondência de itens quase em tempo real
Use este documento para saber mais sobre a arquitetura de uma solução de aprendizado de máquina (ML) que aprende e atende às incorporações de itens. As incorporações podem ajudá-lo a entender quais itens seus clientes consideram semelhantes, o que permite que você ofereça sugestões de "itens semelhantes" em tempo real em seu aplicativo. Esta solução mostra como identificar músicas semelhantes em um conjunto de dados e usar essas informações para fazer recomendações de músicas. Consulte Mais informação
Pré-processamento de dados para aprendizado de máquina: opções e recomendações
Este artigo de duas partes explora o tópico de engenharia de dados e engenharia de recursos para aprendizado de máquina (ML). Esta primeira parte discute as práticas recomendadas de pré-processamento de dados em um pipeline de machine learning no Google Cloud. O artigo se concentra no uso do TensorFlow e da biblioteca de código aberto TensorFlow Transform (tf.Transform) para preparar dados, treinar o modelo e servir o modelo para previsão. Esta parte destaca os desafios do pré-processamento de dados para aprendizado de máquina e ilustra as opções e os cenários para realizar a transformação de dados no Google Cloud com eficiência. Parte 1 Parte 2
Arquitetura para MLOps usando TFX, Kubeflow Pipelines e Cloud Build
Este documento descreve a arquitetura geral de um sistema de aprendizado de máquina (ML) usando as bibliotecas TensorFlow Extended (TFX). Ele também discute como configurar uma integração contínua (CI), entrega contínua (CD) e treinamento contínuo (CT) para o sistema de ML usando Cloud Build e Kubeflow Pipelines. Consulte Mais informação
MLOps: entrega contínua e pipelines de automação em aprendizado de máquina
Este documento discute técnicas para implementar e automatizar integração contínua (CI), entrega contínua (CD) e treinamento contínuo (CT) para sistemas de aprendizado de máquina (ML). A ciência de dados e o ML estão se tornando recursos essenciais para resolver problemas complexos do mundo real, transformar indústrias e agregar valor em todos os domínios. Consulte Mais informação
Como configurar um ambiente MLOps no Google Cloud
Este guia de referência descreve a arquitetura de um ambiente de operações de aprendizado de máquina (MLOps) no Google Cloud. O guia acompanha laboratórios práticos no GitHub que levá-lo através do processo de provisionamento e configuração do ambiente descrito aqui. Praticamente todos os setores estão adotando o aprendizado de máquina (ML) em um ritmo acelerado. Um dos principais desafios para obter valor do ML é criar maneiras de implantar e operar sistemas de ML de maneira eficaz. Este guia destina-se a engenheiros de aprendizado de máquina (ML) e DevOps. Consulte Mais informação
Principais requisitos para uma base MLOps
As organizações orientadas por IA estão usando dados e aprendizado de máquina para resolver seus problemas mais difíceis e estão colhendo os frutos.
“As empresas que absorvem totalmente AI em seus fluxos de trabalho de produção de valores em 2025 vão dominar a economia mundial 2030 com o crescimento do fluxo de caixa + 120%”, segundo a McKinsey Global Institute.
Mas não é fácil agora. Os sistemas de aprendizado de máquina (ML) têm uma capacidade especial de criar dívida técnica se não forem bem gerenciados. Consulte Mais informação
Como criar e implantar um cartão modelo na nuvem com o Scikit-Learn
Modelos de aprendizado de máquina agora estão sendo usados para realizar muitas tarefas desafiadoras. Com seu vasto potencial, os modelos de ML também levantam questões sobre seu uso, construção e limitações. Documentar as respostas a essas perguntas ajuda a trazer clareza e compreensão compartilhada. Para ajudar a atingir esses objetivos, o Google introduziu os cartões modelo. Consulte Mais informação
Analisar e validar dados em escala para aprendizado de máquina com o TensorFlow Data Validation
Este documento discute como usar a biblioteca TensorFlow Data Validation (TFDV) para exploração de dados e análise descritiva durante a experimentação. Cientistas de dados e engenheiros de machine learning (ML) podem usar o TFDV em um sistema de ML de produção para validar dados usados em um pipeline de treinamento contínuo (CT) e para detectar distorções e discrepâncias nos dados recebidos para veiculação de previsão. Ele inclui laboratórios práticos. Consulte Mais informação