BLOG

Laissez-vous inspirer par les derniers articles de notre blog.

Servir des modèles ML à l

Servir des modèles ML à l'échelle en utilisant Mlflow sur Kubernetes - Partie 3

26 octobre 2021
Cet article est la troisième partie d'une série dans laquelle nous parcourons le processus d'enregistrement des modèles à l'aide de Mlflow, de leur service sur le moteur Kubernetes et enfin de leur mise à l'échelle en fonction des besoins de notre application. Bien que cet article puisse être utilisé indépendamment pour tester n'importe quelle réponse API, nous vous recommandons de lire nos deux articles précédents (partie1 et partie2) sur la façon de déployer une instance de suivi et de servir un modèle en tant qu'API avec Mlflow. Dans la suite, nous nous intéresserons à la question de l'évolutivité et l'aborderons avec quelques expériences pour comprendre le comportement du cluster k8s et donner des recommandations sur la façon de gérer les charges élevées.
Servir des modèles ML à l

Servir des modèles ML à l'échelle en utilisant Mlflow sur Kubernetes - Partie 2

25 octobre 2021
Cet article est la deuxième partie d'une série dans laquelle nous parcourons le processus d'enregistrement des modèles à l'aide de Mlflow, de les servir en tant que point de terminaison API et enfin de les mettre à l'échelle en fonction des besoins de notre application. Nous vous encourageons à lire notre article précédent dans lequel nous montrons comment déployer une instance de suivi sur k8s et vérifier les prérequis pratiques (secrets, variables d'environnement) car nous allons continuer à nous appuyer sur eux ici.
Dans ce qui suit, nous montrons comment servir un modèle d'apprentissage automatique qui est déjà enregistré dans Mlflow et l'exposer comme un endpoint API sur k8s.
Servir des modèles ML à l

Servir des modèles ML à l'échelle en utilisant Mlflow sur Kubernetes - Partie 1

22 octobre 2021
MLflow est un outil couramment utilisé pour le suivi des expériences d'apprentissage automatique, le versionnement des modèles et le service. Dans notre premier article de la série "Serving ML models at scale", nous expliquons comment déployer l'instance de suivi sur Kubernetes et l'utiliser pour consigner les expériences et stocker les modèles.
Prévision visuelle des séries chronologiques avec Streamlit Prophet

Prévision visuelle des séries chronologiques avec Streamlit Prophet

22 septembre 2021
Vous avez besoin d'une base de référence pour votre dernier projet de prévision de séries chronologiques ? Vous voulez expliquer le processus de décision d'un modèle prédictif à un public professionnel ? Vous souhaitez comprendre si les prix des voitures sont saisonniers avant d'en acheter une nouvelle ? Nous avons peut-être quelque chose pour vous ! Cet article présente Streamlit Prophet, une application Web qui aide les spécialistes des données à former, évaluer et optimiser les modèles de prévision de manière visuelle. Les prévisions sont réalisées avec Prophet, un modèle rapide et facilement interprétable.
La voie à suivre pour développer un modèle de prévision de la demande performant - Partie 3

La voie à suivre pour développer un modèle de prévision de la demande performant - Partie 3

10 septembre 2021
Comment choisir les bonnes visualisations et les mettre en œuvre dans Streamlit pour mieux déboguer vos modèles de prévision.
Prévision de la demande : Utiliser l

Prévision de la demande : Utiliser l'apprentissage automatique pour prévoir les ventes au détail

24 août 2021
Toutes les industries cherchent à fabriquer le bon nombre de produits au bon moment, mais pour les détaillants, cette question est particulièrement critique car ils doivent également gérer efficacement les stocks de produits périssables.
Le club des 2 trillions de dollars : comment les services Data x conduisent à une croissance vertigineuse de la valorisation des entreprises

Le club des 2 trillions de dollars : comment les services Data x conduisent à une croissance vertigineuse de la valorisation des entreprises

5 août 2021
Récemment, Microsoft a rejoint Apple en tant que deuxième entreprise américaine cotée en bourse (et troisième au monde, avec le géant pétrolier saoudien Aramco) et membre du club très fermé des 2 000 milliards de dollars. Le fait que les géants américains de la technologie dominent le monde n'est pas une nouvelle, mais le rythme auquel ils franchissent les étapes importantes de leur valorisation l'est. Il leur a fallu moins de 18 mois pour passer de 1 000 à 2 000 milliards de dollars. Comment cela est-il possible ? Que peuvent tirer les entreprises "historiques" de cette réussite économique sans précédent ?
L

L'IA nécessite un cadre holistique et des projets évolutifs

28 juillet 2021
Les projets d'intelligence artificielle et de transformation numérique ont un faible taux de réussite, mais les meilleures pratiques aident.
Inclure les meilleures pratiques éthiques dans votre projet de science des données dès le premier jour.

Inclure les meilleures pratiques éthiques dans votre projet de science des données dès le premier jour.

27 juillet 2021
Voici quelques lignes directrices pour construire des solutions d'apprentissage automatique dignes de confiance sans tomber dans des pièges éthiques.
Charger plus