Bạn đang tìm kiếm thông tin chi tiết về cách có thể áp dụng TFX để xây dựng giải pháp đáp ứng nhu cầu của mình? Những bài viết và hướng dẫn chuyên sâu này có thể giúp ích!
Kiến trúc của hệ thống máy học để khớp mục gần thời gian thực
Sử dụng tài liệu này để tìm hiểu về kiến trúc của giải pháp máy học (ML) có chức năng tìm hiểu và phục vụ việc nhúng mục. Nội dung nhúng có thể giúp bạn hiểu những mặt hàng nào mà khách hàng cho là tương tự, điều này cho phép bạn đưa ra đề xuất "mặt hàng tương tự" theo thời gian thực trong ứng dụng của mình. Giải pháp này chỉ cho bạn cách xác định các bài hát tương tự trong tập dữ liệu, sau đó sử dụng thông tin này để đưa ra đề xuất bài hát. Đọc thêm
Tiền xử lý dữ liệu cho học máy: các tùy chọn và đề xuất
Bài viết gồm hai phần này khám phá chủ đề về kỹ thuật dữ liệu và kỹ thuật tính năng cho máy học (ML). Phần đầu tiên này thảo luận về các phương pháp hay nhất về tiền xử lý dữ liệu trong quy trình máy học trên Google Cloud. Bài viết tập trung sử dụng TensorFlow và thư viện TensorFlow Transform (tf.Transform) mã nguồn mở để chuẩn bị dữ liệu, huấn luyện mô hình và phục vụ mô hình cho việc dự đoán. Phần này nêu bật những thách thức trong việc xử lý trước dữ liệu cho máy học, đồng thời minh họa các tùy chọn và kịch bản để thực hiện chuyển đổi dữ liệu trên Google Cloud một cách hiệu quả. Phần 1 Phần 2
Kiến trúc cho MLOps sử dụng TFX, Kubeflow Pipelines và Cloud Build
Tài liệu này mô tả kiến trúc tổng thể của hệ thống máy học (ML) sử dụng thư viện TensorFlow Extended (TFX). Nó cũng thảo luận về cách thiết lập tích hợp liên tục (CI), phân phối liên tục (CD) và đào tạo liên tục (CT) cho hệ thống ML bằng cách sử dụng Cloud Build và Kubeflow Pipelines. Đọc thêm
MLOps: Quy trình tự động hóa và phân phối liên tục trong học máy
Tài liệu này thảo luận về các kỹ thuật triển khai và tự động hóa tích hợp liên tục (CI), phân phối liên tục (CD) và đào tạo liên tục (CT) cho các hệ thống máy học (ML). Khoa học dữ liệu và ML đang trở thành những khả năng cốt lõi để giải quyết các vấn đề phức tạp trong thế giới thực, chuyển đổi các ngành và mang lại giá trị trong tất cả các lĩnh vực. Đọc thêm
Thiết lập môi trường MLOps trên Google Cloud
Hướng dẫn tham khảo này trình bày kiến trúc của môi trường hoạt động máy học (MLOps) trên Google Cloud. Hướng dẫn này đi kèm với các phòng thí nghiệm thực hành trong GitHub hướng dẫn bạn qua quy trình cung cấp và đặt cấu hình môi trường được mô tả ở đây. Hầu như tất cả các ngành công nghiệp đang áp dụng học máy (ML) với tốc độ nhanh chóng. Thách thức chính để nhận được giá trị từ ML là tạo ra các cách triển khai và vận hành hệ thống ML một cách hiệu quả. Hướng dẫn này dành cho các kỹ sư máy học (ML) và DevOps. Đọc thêm
Các yêu cầu chính đối với nền tảng MLOps
Các tổ chức do AI điều khiển đang sử dụng dữ liệu và học máy để giải quyết các vấn đề khó khăn nhất của họ và đang gặt hái được nhiều thành quả.
Theo Viện Toàn cầu McKinsey , “Các công ty hấp thụ hoàn toàn AI trong quy trình tạo ra giá trị của họ vào năm 2025 sẽ thống trị nền kinh tế thế giới vào năm 2030 với mức tăng trưởng dòng tiền +120%.
Nhưng điều đó không hề dễ dàng lúc này. Hệ thống máy học (ML) có khả năng đặc biệt tạo ra nợ kỹ thuật nếu không được quản lý tốt. Đọc thêm
Cách tạo và triển khai thẻ mô hình trên đám mây với Scikit-Learn
Các mô hình học máy hiện đang được sử dụng để hoàn thành nhiều nhiệm vụ đầy thách thức. Với tiềm năng to lớn của mình, các mô hình ML cũng đặt ra câu hỏi về cách sử dụng, cấu trúc và những hạn chế của chúng. Việc ghi lại câu trả lời cho những câu hỏi này giúp mang lại sự hiểu biết rõ ràng và được chia sẻ. Để giúp thúc đẩy những mục tiêu này, Google đã giới thiệu thẻ mô hình. Đọc thêm
Phân tích và xác thực dữ liệu trên quy mô lớn cho máy học với Xác thực dữ liệu TensorFlow
Tài liệu này thảo luận cách sử dụng thư viện Xác thực dữ liệu TensorFlow (TFDV) để khám phá dữ liệu và phân tích mô tả trong quá trình thử nghiệm. Các nhà khoa học dữ liệu và kỹ sư máy học (ML) có thể sử dụng TFDV trong hệ thống ML sản xuất để xác thực dữ liệu được sử dụng trong quy trình đào tạo liên tục (CT), đồng thời phát hiện các sai lệch và ngoại lệ trong dữ liệu nhận được để phục vụ dự đoán. Nó bao gồm các phòng thí nghiệm thực hành . Đọc thêm