Un equipo de cient\u00edficos, ingenieros de ML e ingenieros de data de la oficina parisina de Artefact obtuvo el segundo puesto en el Hackathon organizado por Flyte<\/a> y MLOps.community<\/a>, lo que supone un logro excepcional dentro del MLOps<\/a> \u00c1mbito del peritaje comunitario:<\/p>\n<\/div> El hackathon virtual de cinco semanas consisti\u00f3 en crear una aplicaci\u00f3n ML de extremo a extremo en Flyte como plataforma MLOps. Con el objetivo de a\u00f1adir valor al mundo real en la producci\u00f3n, la idea del proyecto pod\u00eda basarse en cualquier aplicaci\u00f3n ML (aprendizaje autom\u00e1tico) o Data, como casos de uso en el comercio minorista, protecci\u00f3n contra el fraude o visi\u00f3n por ordenador. Todos los proyectos se juzgaron en funci\u00f3n de la creatividad, de lo bien que el equipo ejecut\u00f3 el uso de la aplicaci\u00f3n y de lo f\u00e1cil que era entender la UI (interfaz de usuario) del modelo.<\/p>\n El experimentado equipo de Artefact, compuesto por el Cient\u00edfico Senior Data \/ Ingeniero ML Amale El Harmri, el Data Engineer Louis Rousselot de Saint Ceran, el Cient\u00edfico Senior Data Karim Si Larbi, el Cient\u00edfico Senior Data Hugo Vasselin y el Cient\u00edfico Data Sascha Lasry, trabaj\u00f3 en este Hackathon adem\u00e1s de en su carga de trabajo interna y con clientes. Durante la competici\u00f3n, el equipo ten\u00eda el nombre de \u201cadorable-unicornios23\u201d.\u201d<\/p>\n<\/div> Reconociendo que la industria de la belleza y los cosm\u00e9ticos est\u00e1 en constante evoluci\u00f3n, el equipo se centr\u00f3 en una posible estrategia para encontrar marcas indie, o de propiedad independiente, que sean innovadoras y populares entre el p\u00fablico y comprarlas. Por ello, el equipo construy\u00f3 un m\u00f3dulo de identificaci\u00f3n de marcas en los flujos de Twitter data que inclu\u00eda una interfaz de etiquetado en el robado.<\/p>\n Para completar el proyecto, el equipo dividi\u00f3 el proceso en tres secciones:<\/p>\n<\/div> Flujo de trabajo de formaci\u00f3n NER:<\/b> evaluar el modelo NER basado en el etiquetado para completar el flujo de trabajo si tiene \u00e9xito, o entrenar un nuevo modelo con data reci\u00e9n etiquetado si no tiene \u00e9xito<\/p>\n<\/div><\/li><\/ul> Para ver la presentaci\u00f3n completa en l\u00ednea de Artefact de su proyecto ante el jurado de MLOps.community como parte de MLOps #98, siga el enlace aqu\u00ed<\/a> y salte a la marca de tiempo 41:22.<\/p>\n<\/div>