Una guía para ser consciente de los riesgos a los que se expone y algunos consejos para protegerse de ellos.

Este artículo es la tercera parte de una serie en la que recorremos el proceso de registrar modelos utilizando Mlflow, servirlos en el motor Kubernetes y finalmente escalarlos según las necesidades de nuestra aplicación. Aunque este artículo podría utilizarse de forma independiente para probar cualquier respuesta de API, recomendamos la lectura de nuestros dos artículos anteriores (parte1 y parte2) sobre cómo desplegar una instancia de seguimiento y servir un modelo como API con Mlflow. A continuación, nos interesaremos por la cuestión de la escalabilidad y la abordaremos con algunos experimentos para comprender el comportamiento del clúster k8s y dar recomendaciones sobre cómo manejar cargas elevadas.

25 de octubre de 2021 Este artículo es la segunda parte de una serie en la que recorremos el proceso de registro de modelos utilizando Mlflow, sirviéndolos como un punto final de la API y, finalmente, escalándolos según las necesidades de nuestra aplicación. Le animamos a que lea nuestro artículo anterior en el que mostramos cómo desplegar una instancia de seguimiento en k8s y compruebe los prerrequisitos prácticos (secretos, variables de entorno...) ya que aquí seguiremos basándonos en ellos. A continuación, mostramos cómo servir un modelo de aprendizaje automático que ya está registrado en Mlflow y exponerlo como un punto final de la API en k8s.

22 de octubre de 2021 MLflow es una herramienta de uso común para el seguimiento de experimentos de aprendizaje automático, el versionado de modelos y el servicio. En nuestro primer artículo de la serie “Servir modelos ML a escala”, explicamos cómo desplegar la instancia de seguimiento en Kubernetes y utilizarla para registrar experimentos y almacenar modelos.

22 de septiembre de 2021 ¿Necesita una base de referencia para su último proyecto de previsión de series temporales? ¿Quiere explicar el proceso de toma de decisiones de un modelo predictivo a una empresa audience? ¿Le gustaría saber si los precios de los coches son estacionales antes de comprar uno nuevo? ¡Puede que tengamos algo para usted! Este artículo presenta Streamlit Prophet, una aplicación web que ayuda a los científicos data a entrenar, evaluar y optimizar los modelos de previsión de forma visual. Las previsiones se realizan con Prophet, un modelo rápido y fácil de interpretar.