Global Blog

Die Ausgabe der dbt coalesce fand in New Orleans statt. Und wir haben eine Menge über die Landschaft der Analysetechnik gelernt.

Snowflake | Wie wir die Verwaltung eines Kontos mit mehr als 50 Benutzern unter Einhaltung der data governance-Standards automatisiert haben

Ein Leitfaden zur Verwendung kontrafaktischer Prognosen zur Schätzung der Kosteneffizienz vergangener In-Store-Promotions im Einzelhandel.

Wie kann man den Einfluss der Kanäle zwischen Vertrieb und Marketing abschätzen? Das Media Mix Modeling ist die Lösung, Statistiken sind die wichtigste Ressource.

Nach meinem 1. Artikel über die Code-Optimierung, mit der ich meine Rechenzeit um 90% reduzieren konnte, war ich daran interessiert, die CO2eq-Auswirkungen zu erfahren, die durch meine Änderungen eingespart wurden.

Jeffrey Kane, Senior Data Scientist, erklärt, warum ML Engineer von Anfang an in Ihre data-Wissenschaftsprojekte eingebunden werden sollte.

Der Bereich und die Zukunft der data-Technik entwickeln sich rasant weiter. Entdecken Sie 3 wichtige Trends, die sich in den nächsten Jahren abzeichnen.

Dieser Leitfaden hilft Ihnen herauszufinden, ob Facebook Prophet für Ihr Prognoseprojekt geeignet ist oder nicht.

String-Filter in Pandas sollten Sie vermeiden, da der scalar_compare-Operator zu Leistungsengpässen führt.

Die wichtigsten Trends für 2021 data & ML... und was sie für 2022 bedeuten

Eine Schritt-für-Schritt-Anleitung, die den Vergleich von datasets über eine gebrauchsfertige Structured Query Language-Vorlage erleichtert

Hier erfahren Sie, wie wir mit Google Analytics data hochmoderne benutzerdefinierte Modelle für maschinelles Lernen entwickelt haben, um die Bereitschaft von Kunden zum Kauf eines Produkts einzuschätzen.

Bisher haben wir vor allem über Prognosen für reguläre Produkte gesprochen, die schon seit einiger Zeit im Regal stehen. Aber was ist mit Produkten, die erst vor kurzem auf den Markt gekommen sind?

Ein Leitfaden, der Ihnen hilft, sich der Risiken bewusst zu sein, denen Sie ausgesetzt sind, und einige Tipps, wie Sie sich vor diesen Risiken schützen können.

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.