MLOps

开发新的机器学习技术所需的技能与有效应用机器学习所需的技能几乎没有重叠。有点像芯片设计与软件工程几乎没有重叠。 这就是建模者与机器学习工程师之间的区别 商业应用通常与研究和理论有很大不同。对于机器学习来说绝对如此。 过去几年人工智能科学完全超越人工智能工程，正如大多数

在当今世界，创新和决策需要[b]实时数据管道和实时数据处理，对[/b][b]数据工程领域的[/b]重视程度日益增加。数据工程提供了许多工具和方法，持续为公司提供有关如何克服所面临挑战的见解。 [b]什么是数据中台工程？[/b] [b]数据中台工程是设计和开发系统的过程，使个人能够从各种来源和格式收集

近年来，对数据相关职位的需求不断增长。从不同技术背景转向数据行业的人数比例不断增长。数据科学和分析工作是大多数人梦想的竞争激烈的工作角色。 然而，数据行业的其他领域却鲜为人知。这就是机器学习操作 (MLOps)。阅读本文直至最后，了解什么是 MLOps 以及它的适用对象。 [b]什么是 MLOps？

SuperDuperDB 是一个开源框架，用于将 AI 直接与现有数据库集成，包括流式推理、可扩展模型训练和矢量搜索。 SuperDuperDB 不是数据库。它将您最喜爱的数据库转变为人工智能开发和部署环境；db = superduper(db)。 GitHub 连续 3 天成为全球热门。 S

MLOps 作为管理数据基础设施的一类新工具出现，专门针对 ML 用例，主要假设是 ML 具有独特的需求。 几年后，随着炒作消失，很明显，MLOps 与数据工程的重叠比大多数人认为的要多。让我们看看为什么以及这对 MLOps 生态系统意味着什么。 机器学习的快速

在设计机器学习系统时，了解静态和动态特征之间的区别很重要，因为它可能会成败您将 ML 模型发布到生产中的努力。 静态特征： [list] [*]这些特征是由不经常变化的数据产生的。 [*]这些数据很可能与你的数据模型中的维度相似。 [*]数据以

Lyft 撰写了有关其基于 Apache Beam 的流式管道架构的演变。该博客讲述了初始版本是如何从 cron 作业开始的，以及为简化管道创建而进行的持续改进。 [b]背景[/b] 2017 年，我们 Marke

Netflix 撰写了一篇激动人心的博客，讲述了在生产环境中操作推荐引擎的最佳实践。 运营一个大规模的推荐系统是一项复杂的工作：它需要高可用性和吞吐量，

开发人员提高特征工程的速度是许多公司快速迭代和构建 ML 应用程序的重点。沿着[url= 的 Zipline[/url]和 Uber 的[url= Palette[/ur

根据麦肯锡公司最近一项关于开发人员速度的研究，数字优先企业的业务绩效的首要驱动因素是对一流开发平台的投资。 在过去四年中，Intuit 对

此存储库包含一个完全可部署的环境，用于使用 Apache Airflow、MLFlow 和 KServe 执行 MLOps。 我们假设您具有以下条件： [list] [*]访问具有至少 4 个 CPU 内核和 20Gb 的 Kubernetes 1.22+ 集群 [*]用作功能存储和工件存

在过去的几年里，我一直在用机器学习和数据科学的想法来颠覆传统的软件公司，这些想法直接来自我团队的核心研究。我发现大多数问题来自三个关键领域。 大部分障碍可以归为以下三类之一： [list] [*]语言 [*]开发过程 [*]预期结果 [/list] [b]统一语言[/b

过去几周我研究了最流行的开源 MLOps 工具，我想与您分享结果。我创建了一个网站 ( [url] )，列出了这些工具，解释了何时使用它们以及需要注意的陷阱。您可以根据我们的模板填写您的堆栈。 我为什么这样做？我觉得当前的 MLOps 领域拥有令人惊叹的工具。但是他们太多了！现在选择一个解决方案感

我目前是一名数据科学家，我发现我的大部分时间都花在了特征工程上。 我的一般做法是，我创建数据的聚合（通过sql，因为需要处理的数据量很大），如sum，mean，avg，std，median，q25，q75。我需

COVID-19 大流行加速了 2021 年人工智能或机器学习的采用。企业对自动化的需求以及人工智能硬件和软件的进步正在将应用人工智能变为现实。 以下是 2022 年的五种人工智能趋势： [b]趋势 1：大型语言模型 (LLM) 定义下一波对话式 AI[/b] 语言

Google 的[url= 1.3[/url]是最流行的 Kubernetes 开源机器学习平台的最新版本。它具有许多新功能和增强功能，使机器