Global Blog

A edição do dbt coalesce estava sendo realizada em Nova Orleans. E aprendemos muito sobre o cenário da engenharia analítica.

Snowflake | Como automatizamos o gerenciamento de uma conta com mais de 50 usuários e, ao mesmo tempo, cumprimos os padrões data governance

Um guia sobre como usar a previsão contrafactual para estimar o custo-benefício de promoções passadas na loja no varejo.

Como estimar o impacto dos canais entre Vendas e Marketing? O Media Mix Modeling é a solução, e as estatísticas são o principal recurso.

Após minha primeira história sobre otimização de código para reduzir meu tempo de computação em 90%, fiquei interessado em saber o impacto de CO2eq economizado por minhas alterações.

Jeffrey Kane, cientista sênior do Data, explica por que o engenheiro de ML deve estar em seus projetos científicos do data desde o primeiro dia.

O campo e o futuro da engenharia data estão evoluindo rapidamente. Descubra as três principais tendências que vejo se tornarem proeminentes nos próximos anos.

Este guia o ajudará a descobrir se o Facebook Prophet é adequado ou não para o seu projeto de previsão.

Os filtros de cadeia de caracteres no Pandas são algo que o senhor deve evitar, pois o operador scalar_compare leva a gargalos de desempenho.

Principais tendências do data e do ML em 2021... e o que elas significam para 2022

Um guia passo a passo para facilitar a comparação de datasets por meio de um modelo pronto para uso de Structured Query Language (Linguagem de Consulta Estruturada)

Um mergulho profundo em como criamos modelos de aprendizado de máquina personalizados de última geração para estimar a propensão do cliente a comprar um produto usando o Google Analytics data.

Até agora, falamos principalmente sobre a previsão de produtos regulares que já estão nas prateleiras há algum tempo. Mas e quanto aos produtos que foram lançados muito recentemente?

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.