Global Blog

L'édition de dbt coalesce se déroulait à la Nouvelle-Orléans. Et nous avons beaucoup appris sur le paysage de l'ingénierie analytique.

Snowflake | Comment nous avons automatisé la gestion d'un compte de plus de 50 utilisateurs tout en respectant les normes data governance

Un guide sur la manière d'utiliser les prévisions contrefactuelles pour estimer le rapport coût-efficacité des promotions passées en magasin dans le secteur de la vente au détail.

Comment estimer l'impact des canaux entre les ventes et le marketing ? La modélisation du mix média est la solution, les statistiques sont la ressource principale.

Après mon premier article sur l'optimisation du code pour réduire mon temps de calcul de 90%, j'ai voulu connaître l'impact CO2eq économisé par mes changements.

Jeffrey Kane, scientifique principal Data, explique pourquoi l'ingénieur ML devrait faire partie de vos projets scientifiques data dès le premier jour.

Le domaine et l'avenir de l'ingénierie data évoluent rapidement. Découvrez les trois grandes tendances qui, selon moi, s'imposeront dans les années à venir.

Ce guide vous aidera à déterminer si Facebook Prophet est approprié ou non pour votre projet de prévision.

Les filtres de chaînes dans Pandas sont à éviter car l'opérateur scalaire_compare entraîne des goulots d'étranglement au niveau des performances.

Principales tendances 2021 data & ML... et ce qu'elles signifient pour 2022

Un guide étape par étape pour faciliter la comparaison des ensembles datasets grâce à un modèle de langage de requête structuré prêt à l'emploi.

Une plongée en profondeur sur la façon dont nous avons construit des modèles d'apprentissage automatique personnalisés pour estimer la propension des clients à acheter un produit à l'aide de Google Analytics data.

Jusqu'à présent, nous avons surtout parlé des prévisions concernant les produits courants qui sont sur les étagères depuis un certain temps. Mais qu'en est-il des produits qui ont été lancés très récemment ?

Un guide pour prendre conscience des risques auxquels vous êtes exposés et quelques conseils pour vous en prémunir.

Cet article est la troisième partie d'une série dans laquelle nous passons en revue le processus de journalisation des modèles à l'aide de Mlflow, de les servir sur le moteur Kubernetes et enfin de les mettre à l'échelle en fonction des besoins de notre application. Bien que cet article puisse être utilisé indépendamment pour tester n'importe quelle réponse d'API, nous vous recommandons de lire nos deux articles précédents (partie 1 et partie 2) sur la façon de déployer une instance de suivi et de servir un modèle en tant qu'API avec Mlflow. Dans la suite de cet article, nous nous intéresserons à la question de la scalabilité et nous l'aborderons avec quelques expériences pour comprendre le comportement du cluster k8s et donner des recommandations sur la façon de gérer des charges élevées.

25 octobre 2021 Cet article est la deuxième partie d'une série dans laquelle nous parcourons le processus de journalisation des modèles à l'aide de Mlflow, de les servir en tant que point de terminaison d'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 tracking sur k8s et vérifier les prérequis pratiques (secrets, variables d'environnement...) car nous continuerons 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 en tant que point de terminaison d'API sur k8s.