Global Blog

La edición de dbt coalesce se celebraba en Nueva Orleans. Y aprendimos un montón sobre el panorama de la ingeniería analítica.

Snowflake | Cómo automatizamos la gestión de una cuenta con más de 50 usuarios cumpliendo las normas data governance

Una guía sobre cómo utilizar la previsión contrafactual para estimar la rentabilidad de las promociones pasadas en el comercio minorista.

¿Cómo estimar el impacto de los canales entre Ventas y Marketing? La modelización de la mezcla de medios es la solución, las estadísticas son el principal recurso.

Tras mi primera historia sobre la optimización del código para reducir mi tiempo de cálculo en 90%, me interesaba conocer el impacto CO2eq ahorrado por mis cambios.

Jeffrey Kane, Científico Senior Data, explica por qué el Ingeniero ML debe estar presente en sus proyectos científicos data desde el primer día.

El campo y el futuro de la ingeniería data están evolucionando rápidamente. Descubra 3 tendencias principales que veo que cobrarán protagonismo en los próximos años.

Esta guía le ayudará a averiguar si Facebook Prophet es apropiado o no para su proyecto de previsión.

Los filtros de cadenas en Pandas es algo que debería evitar, ya que el operador scalar_compare provoca cuellos de botella en el rendimiento.

Tendencias clave de 2021 en data y ML... y lo que significan para 2022

Una guía paso a paso para facilitar la comparación de datasets mediante una plantilla de Lenguaje de Consulta Estructurado lista para usar

Una inmersión en profundidad sobre cómo construimos modelos de aprendizaje automático personalizados de última generación para estimar la propensión de los clientes a comprar un producto utilizando Google Analytics data.

Hasta ahora hemos hablado principalmente de la previsión de productos habituales que llevan bastante tiempo en el lineal. Pero, ¿qué ocurre con los productos que se han lanzado muy recientemente?

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.

27 de julio de 2021 He aquí algunas pautas para construir soluciones de aprendizaje automático fiables sin caer en trampas éticas.