Хотите узнать, как можно применить TFX для создания решения, отвечающего вашим потребностям? Эти подробные статьи и руководства могут помочь!
Архитектура системы машинного обучения для сопоставления элементов практически в реальном времени
Используйте этот документ, чтобы узнать об архитектуре решения машинного обучения (ML), которое изучает и обслуживает внедрения элементов. Внедрения могут помочь вам понять, какие элементы ваши клиенты считают похожими, что позволяет вам предлагать «похожие элементы» в реальном времени в вашем приложении. Это решение покажет вам, как идентифицировать похожие песни в наборе данных, а затем использовать эту информацию для рекомендации песен. Читать далее
Предварительная обработка данных для машинного обучения: варианты и рекомендации
В этой статье, состоящей из двух частей, рассматривается тема разработки данных и разработки функций для машинного обучения (ML). В первой части обсуждаются лучшие практики предварительной обработки данных в конвейере машинного обучения в Google Cloud. В статье основное внимание уделяется использованию TensorFlow и библиотеки TensorFlow Transform (tf.Transform) с открытым исходным кодом для подготовки данных, обучения модели и ее использования для прогнозирования. В этой части освещаются проблемы предварительной обработки данных для машинного обучения, а также иллюстрируются варианты и сценарии эффективного преобразования данных в Google Cloud. Часть 1 Часть 2
Архитектура для MLOps с использованием TFX, Kubeflow Pipelines и Cloud Build.
В этом документе описывается общая архитектура системы машинного обучения (ML) с использованием библиотек TensorFlow Extended (TFX). В нем также обсуждается, как настроить непрерывную интеграцию (CI), непрерывную доставку (CD) и непрерывное обучение (CT) для системы ML с использованием Cloud Build и Kubeflow Pipelines. Читать далее
MLOps: конвейеры непрерывной доставки и автоматизации в машинном обучении
В этом документе обсуждаются методы реализации и автоматизации непрерывной интеграции (CI), непрерывной доставки (CD) и непрерывного обучения (CT) для систем машинного обучения (ML). Наука о данных и машинное обучение становятся основными возможностями для решения сложных реальных проблем, преобразования отраслей и создания ценности во всех областях. Читать далее
Настройка среды MLOps в Google Cloud
В этом справочном руководстве описывается архитектура среды операций машинного обучения (MLOps) в Google Cloud. Руководство сопровождает практические занятия на GitHub, которые проведут вас через процесс подготовки и настройки описанной здесь среды. Практически все отрасли быстро внедряют машинное обучение (МО). Ключевой задачей для получения выгоды от машинного обучения является создание способов эффективного развертывания и эксплуатации систем машинного обучения. Это руководство предназначено для инженеров машинного обучения (ML) и DevOps. Читать далее
Ключевые требования к фундаменту MLOps
Организации, управляемые искусственным интеллектом, используют данные и машинное обучение для решения самых сложных проблем и пожинают плоды.
«Компании, которые полностью внедрят ИИ в свои рабочие процессы по созданию стоимости, к 2025 году будут доминировать в мировой экономике в 2030 году с ростом денежного потока на +120%», — согласно данным McKinsey Global Institute.
Но сейчас это непросто. Системы машинного обучения (МО) обладают особой способностью создавать технический долг, если ими не управлять должным образом. Читать далее
Как создать и развернуть карточку модели в облаке с помощью Scikit-Learn
Модели машинного обучения сейчас используются для решения многих сложных задач. Благодаря своему огромному потенциалу модели машинного обучения также вызывают вопросы об их использовании, конструкции и ограничениях. Документирование ответов на эти вопросы помогает внести ясность и общее понимание. Чтобы помочь в достижении этих целей, Google представил карточки-модели. Читать далее
Анализ и проверка данных в масштабе для машинного обучения с помощью проверки данных TensorFlow.
В этом документе обсуждается, как использовать библиотеку проверки данных TensorFlow (TFDV) для исследования данных и описательного анализа во время экспериментов. Специалисты по данным и инженеры по машинному обучению (ML) могут использовать TFDV в производственной системе ML для проверки данных, которые используются в конвейере непрерывного обучения (CT), а также для обнаружения искажений и выбросов в данных, полученных для обслуживания прогнозов. Он включает в себя практические лабораторные работы . Читать далее