Seit mehr als anderthalb Jahren haben Organisationen einen kontinuierlichen Zyklus von Innovationen und Anpassungen unternommen, um dem sich verändernden Umfeld gerecht zu werden, während sich die Pandemie weiter ausbreitet. Ghadi Hobeika, CEO von Artefact in den USA, gibt einen Überblick über sieben Lehren aus der Pandemie für die Zukunft.
Dieser Artikel ist der dritte Teil einer Serie, in der wir den Prozess der Protokollierung von Modellen mit Mlflow, deren Bereitstellung auf der Kubernetes-Engine und schließlich deren Skalierung entsprechend den Anforderungen unserer Anwendung durchgehen. Obwohl dieser Artikel unabhängig davon verwendet werden kann, um eine beliebige API-Antwort zu testen, empfehlen wir die Lektüre unserer beiden vorherigen Artikel (Teil1 und Teil2) über die Bereitstellung einer Tracking-Instanz und die Bereitstellung eines Modells als API mit Mlflow. Im Folgenden werden wir uns mit dem Problem der Skalierbarkeit befassen und einige Experimente durchführen, um das Verhalten des k8s-Clusters zu verstehen und Empfehlungen zu geben, wie Sie mit hohen Lasten umgehen können.
25. Oktober 2021 Dieser Artikel ist der zweite Teil einer Serie, in der wir den Prozess der Protokollierung von Modellen mit Hilfe von Mlflow durchlaufen, sie als API-Endpunkt bereitstellen und sie schließlich entsprechend den Anforderungen unserer Anwendung skalieren. Wir empfehlen Ihnen, unseren vorherigen Artikel zu lesen, in dem wir zeigen, wie Sie eine Tracking-Instanz auf k8s bereitstellen und die praktischen Voraussetzungen (Geheimnisse, Umgebungsvariablen...) überprüfen, da wir hier weiter darauf aufbauen werden. Im Folgenden zeigen wir Ihnen, wie Sie ein bereits in Mlflow registriertes Modell für maschinelles Lernen bereitstellen und es als API-Endpunkt auf k8s veröffentlichen.
22. Oktober 2021 MLflow ist ein häufig verwendetes Tool für die Verfolgung von Experimenten zum maschinellen Lernen, die Versionierung von Modellen und das Serving. In unserem ersten Artikel der Serie “ML-Modelle in großem Maßstab bereitstellen” erklären wir, wie Sie die Tracking-Instanz auf Kubernetes bereitstellen und sie zum Protokollieren von Experimenten und Speichern von Modellen verwenden.
22 september 2021 Sie brauchen eine Grundlage für Ihr neuestes Projekt zur Zeitreihenprognose? Sie möchten einem Unternehmen den Entscheidungsprozess eines Prognosemodells erklären audience? Sie möchten verstehen, ob Autopreise saisonal sind, bevor Sie ein neues Auto kaufen? Dann haben wir vielleicht etwas für Sie! In diesem Artikel stellen wir Ihnen Streamlit Prophet vor, eine Web-App, mit der Wissenschaftler data Prognosemodelle auf visuelle Weise trainieren, bewerten und optimieren können. Die Vorhersagen werden mit Prophet erstellt, einem schnellen und leicht interpretierbaren Modell.
10 september 2021 Wie Sie die richtigen Visualisierungen auswählen und in Streamlit implementieren, um Ihre Prognosemodelle besser zu debuggen
24. August 2021 Alle Branchen sind bestrebt, genau die richtige Anzahl von Produkten zur richtigen Zeit herzustellen. Für Einzelhändler ist dieses Thema jedoch besonders kritisch, da sie auch verderbliche Bestände effizient verwalten müssen
5. August 2021 Vor kurzem wurde Microsoft nach Apple als zweites börsennotiertes US-Unternehmen (und drittes weltweit, neben dem saudischen Ölgiganten Aramco) Mitglied des sehr erlesenen $2-Billionen-Clubs. Die Tatsache, dass die US-Tech-Giganten die Welt dominieren, ist keine Neuigkeit, wohl aber das Tempo, mit dem sie bedeutende Bewertungsmeilensteine überschreiten. In weniger als 18 Monaten sind sie von $1 Billion auf $2 Billion gestiegen. Wie ist das überhaupt möglich? Was können “alte” Unternehmen von diesem beispiellosen wirtschaftlichen Erfolg mitnehmen?
28. Juli 2021 Projekte im Bereich der künstlichen Intelligenz und der digitalen Transformation haben eine geringe Erfolgsquote, aber Best Practices helfen.
