Ein Team von data-Wissenschaftlern, ML-Ingenieuren und data-Ingenieuren aus dem Pariser B\u00fcro von Artefact wurde mit dem zweiten Platz beim Hackathon ausgezeichnet, der von Flyte<\/a> und MLOps.community<\/a>, was eine herausragende Leistung innerhalb der MLOps<\/a> Das Fachgebiet der Gemeinschaft:<\/p>\n<\/div> Der virtuelle f\u00fcnfw\u00f6chige Hackathon bestand darin, eine End-to-End-ML-Anwendung auf Flyte als MLOps-Plattform zu entwickeln. Mit dem Ziel, einen realen Mehrwert in der Produktion zu schaffen, konnte die Idee f\u00fcr das Projekt auf einer beliebigen ML- (maschinelles Lernen) oder Data-Anwendung basieren, z. B. Anwendungsf\u00e4lle im Einzelhandel, Betrugsschutz oder Computer Vision. Alle Projekte wurden nach ihrer Kreativit\u00e4t, der Qualit\u00e4t der Anwendung und der Verst\u00e4ndlichkeit der Modell-UI (Benutzeroberfl\u00e4che) bewertet.<\/p>\n Das erfahrene Team von Artefact, bestehend aus Senior Data Scientist \/ ML Engineer Amale El Harmri, Data Engineer Louis Rousselot de Saint Ceran, Senior Data Scientist Karim Si Larbi, Senior Data Scientist Hugo Vasselin und Data Scientist Sascha Lasry, arbeitete an diesem Hackathon zus\u00e4tzlich zu seiner Kunden- und internen Arbeitsbelastung. W\u00e4hrend des Wettbewerbs trug das Team den Namen \u201cadorable-unicorns23\u201d.\u201d<\/p>\n<\/div> Da sich die Sch\u00f6nheits- und Kosmetikindustrie in st\u00e4ndiger Entwicklung befindet, konzentrierte sich das Team auf eine m\u00f6gliche Strategie, Indie- oder unabh\u00e4ngige Marken zu finden, die innovativ und in der \u00d6ffentlichkeit beliebt sind, und diese aufzukaufen. Daher hat das Team ein Modul zur Markenidentifizierung auf Twitter data flows entwickelt, das eine Schnittstelle zur Kennzeichnung der gestohlenen Produkte enth\u00e4lt.<\/p>\n Um das Projekt abzuschlie\u00dfen, hat das Team den Prozess in drei Abschnitte unterteilt:<\/p>\n<\/div> NER-Trainingsablauf:<\/b> Bewertung des NER-Modells auf der Grundlage der Etikettierung, um entweder den Arbeitsablauf abzuschlie\u00dfen, wenn er erfolgreich ist, oder ein neues Modell mit frisch etikettiertem data zu trainieren, wenn er nicht erfolgreich ist<\/p>\n<\/div><\/li><\/ul> Um die vollst\u00e4ndige Online-Pr\u00e4sentation des Projekts von Artefact vor der Jury der MLOps.community im Rahmen von MLOps #98 zu sehen, folgen Sie dem Link Hier<\/a> und springen Sie zum Zeitstempel 41:22.<\/p>\n<\/div>