Um guia para estar ciente dos riscos aos quais o senhor está exposto e algumas dicas para se proteger contra eles.

Este artigo é a terceira parte de uma série na qual percorremos o processo de registro de modelos usando o Mlflow, servindo-os no mecanismo Kubernetes e, por fim, dimensionando-os de acordo com as necessidades do nosso aplicativo. Embora este artigo possa ser usado de forma independente para testar qualquer resposta de API, recomendamos a leitura de nossos dois artigos anteriores (parte 1 e parte 2) sobre como implantar uma instância de rastreamento e servir um modelo como uma API com o Mlflow. A seguir, estaremos interessados na questão do dimensionamento e a abordaremos com alguns experimentos para entender o comportamento do cluster do k8s e dar recomendações sobre como lidar com altas cargas.

25 de outubro de 2021 Este artigo é a segunda parte de uma série na qual percorremos o processo de registro de modelos usando o Mlflow, servindo-os como um endpoint de API e, finalmente, dimensionando-os de acordo com as necessidades do nosso aplicativo. Recomendamos que os senhores leiam nosso artigo anterior, no qual mostramos como implantar uma instância de rastreamento no k8s e verificar os pré-requisitos práticos (segredos, variáveis de ambiente...), pois continuaremos a nos basear neles aqui. A seguir, mostraremos como servir um modelo de aprendizado de máquina que já está registrado no Mlflow e expô-lo como um endpoint de API no k8s.

22 de outubro de 2021 O MLflow é uma ferramenta comumente usada para rastreamento de experimentos de aprendizado de máquina, controle de versão de modelos e veiculação. Em nosso primeiro artigo da série “Servindo modelos de ML em escala”, explicamos como implantar a instância de rastreamento no Kubernetes e usá-la para registrar experimentos e armazenar modelos.

22 de setembro de 2021 O senhor precisa de uma linha de base para seu mais recente projeto de previsão de séries temporais? O senhor deseja explicar o processo de tomada de decisão de um modelo preditivo para uma empresa audience? O senhor gostaria de saber se os preços dos carros são sazonais antes de comprar um novo? Talvez tenhamos algo para o senhor! Este artigo apresenta o Streamlit Prophet, um aplicativo da Web que ajuda os cientistas data a treinar, avaliar e otimizar modelos de previsão de forma visual. As previsões são feitas com o Prophet, um modelo rápido e facilmente interpretável.