#mlops — Public Fediverse posts
Live and recent posts from across the Fediverse tagged #mlops, aggregated by home.social.
-
#Uber updated its Uber Eats Home Feed recommendation system using near real-time user sequence features and a Generative Recommender model.
By moving from hand-crafted features to a transformer-based sequence model, the system reduces feature freshness latency from ~24 hours to seconds.
🔗 Learn more about the update and the architecture behind it on #InfoQ ⇨ https://bit.ly/4dCly1K
#SoftwareArchitecture #DistributedSystems #MachineLearning #MLOps
-
#Uber updated its Uber Eats Home Feed recommendation system using near real-time user sequence features and a Generative Recommender model.
By moving from hand-crafted features to a transformer-based sequence model, the system reduces feature freshness latency from ~24 hours to seconds.
🔗 Learn more about the update and the architecture behind it on #InfoQ ⇨ https://bit.ly/4dCly1K
#SoftwareArchitecture #DistributedSystems #MachineLearning #MLOps
-
#Uber updated its Uber Eats Home Feed recommendation system using near real-time user sequence features and a Generative Recommender model.
By moving from hand-crafted features to a transformer-based sequence model, the system reduces feature freshness latency from ~24 hours to seconds.
🔗 Learn more about the update and the architecture behind it on #InfoQ ⇨ https://bit.ly/4dCly1K
#SoftwareArchitecture #DistributedSystems #MachineLearning #MLOps
-
#Uber updated its Uber Eats Home Feed recommendation system using near real-time user sequence features and a Generative Recommender model.
By moving from hand-crafted features to a transformer-based sequence model, the system reduces feature freshness latency from ~24 hours to seconds.
🔗 Learn more about the update and the architecture behind it on #InfoQ ⇨ https://bit.ly/4dCly1K
#SoftwareArchitecture #DistributedSystems #MachineLearning #MLOps
-
#Uber updated its Uber Eats Home Feed recommendation system using near real-time user sequence features and a Generative Recommender model.
By moving from hand-crafted features to a transformer-based sequence model, the system reduces feature freshness latency from ~24 hours to seconds.
🔗 Learn more about the update and the architecture behind it on #InfoQ ⇨ https://bit.ly/4dCly1K
#SoftwareArchitecture #DistributedSystems #MachineLearning #MLOps
-
Почему 4 сеньёра могут быть эффективнее команды из 15 человек
Есть компании, которые верят в то, что уж лучше много джунов за копейки, чем несколько сеньоров за дорого. Очевидно, мнения могут быть разными, поэтому поделюсь кейсами, которые наблюдал лично: 1. В компании Х у нас было 4 человека, которые ещё до эпохи ChatGPT с нуля за несколько месяцев собрали полноценный AI-стек: — fine-tune собственных LLM на своих датасетах — свой TTS/STT на своих датасетах — генерацию лиц и deepfake — MLOps-инфраструктуру и пайплайны Каждое направление делал один сильный senior. ML команда из 4х человек, которая деливерит не прототипчики с AI, а такой уровень, где люди не верили, что говорят с моделью — думали, что это живой человек. Важный момент: мы покупали и готовые решения, где это было выгодно. Но параллельно строили независимость и кастомность — чтобы не упираться в чужие ограничения и иметь возможность делать то, чего нет на рынке. 2. Теперь компания Y : AI-продукт уровня "обёртка над ChatGPT" команда из 15 человек уровня джун-миддл запускала около года. Потом ещё полгода доводила до нормального качества. Сравним экономику: Вариант 1: 4 senior’а х $8k х 4 месяца ≈ $128k до запуска Вариант 2: 15 человек x $3k x 15 месяцев ≈ $675k до конкурентного качества продукта Разница бюджета в 5 раз, разница в скорости запуска в 4 раза в пользу сеньёров. Маленькая сильная команда: — вышла на рынок быстрее — строила собственные технологии — накапливала engineering leverage — могла быстро pivot’иться при необходимости Большая команда в итоге строила то, что через год стало очень просто повторить, а значит — высокая конкуренция, демпинг по цене и слабая дифференциация продукта. Какие выводы: 1. Лично я верю в сеньёров и быстрые запуски. Причём раньше 1 сильный инженер мог заменить 2–3 средних, а сейчас с помощью ИИ вполне может дать ещё больший эффект. 2. Больше людей не значит быстрее. Скорее наоборот: выше уровень сотрудников — выше скорость принятия решений и разработки — выше ROI — больше пространства для инноваций и поиска точек роста бизнеса. Вероятно, это не универсальная истина и могут быть разные конфигурации бизнеса, культуры компании и целей, но на моём опыте вывод довольно однозначный. Если не согласны — с удовольствием подискутирую.
-
Почему 4 сеньёра могут быть эффективнее команды из 15 человек
Есть компании, которые верят в то, что уж лучше много джунов за копейки, чем несколько сеньоров за дорого. Очевидно, мнения могут быть разными, поэтому поделюсь кейсами, которые наблюдал лично: 1. В компании Х у нас было 4 человека, которые ещё до эпохи ChatGPT с нуля за несколько месяцев собрали полноценный AI-стек: — fine-tune собственных LLM на своих датасетах — свой TTS/STT на своих датасетах — генерацию лиц и deepfake — MLOps-инфраструктуру и пайплайны Каждое направление делал один сильный senior. ML команда из 4х человек, которая деливерит не прототипчики с AI, а такой уровень, где люди не верили, что говорят с моделью — думали, что это живой человек. Важный момент: мы покупали и готовые решения, где это было выгодно. Но параллельно строили независимость и кастомность — чтобы не упираться в чужие ограничения и иметь возможность делать то, чего нет на рынке. 2. Теперь компания Y : AI-продукт уровня "обёртка над ChatGPT" команда из 15 человек уровня джун-миддл запускала около года. Потом ещё полгода доводила до нормального качества. Сравним экономику: Вариант 1: 4 senior’а х $8k х 4 месяца ≈ $128k до запуска Вариант 2: 15 человек x $3k x 15 месяцев ≈ $675k до конкурентного качества продукта Разница бюджета в 5 раз, разница в скорости запуска в 4 раза в пользу сеньёров. Маленькая сильная команда: — вышла на рынок быстрее — строила собственные технологии — накапливала engineering leverage — могла быстро pivot’иться при необходимости Большая команда в итоге строила то, что через год стало очень просто повторить, а значит — высокая конкуренция, демпинг по цене и слабая дифференциация продукта. Какие выводы: 1. Лично я верю в сеньёров и быстрые запуски. Причём раньше 1 сильный инженер мог заменить 2–3 средних, а сейчас с помощью ИИ вполне может дать ещё больший эффект. 2. Больше людей не значит быстрее. Скорее наоборот: выше уровень сотрудников — выше скорость принятия решений и разработки — выше ROI — больше пространства для инноваций и поиска точек роста бизнеса. Вероятно, это не универсальная истина и могут быть разные конфигурации бизнеса, культуры компании и целей, но на моём опыте вывод довольно однозначный. Если не согласны — с удовольствием подискутирую.
-
Почему 4 сеньёра могут быть эффективнее команды из 15 человек
Есть компании, которые верят в то, что уж лучше много джунов за копейки, чем несколько сеньоров за дорого. Очевидно, мнения могут быть разными, поэтому поделюсь кейсами, которые наблюдал лично: 1. В компании Х у нас было 4 человека, которые ещё до эпохи ChatGPT с нуля за несколько месяцев собрали полноценный AI-стек: — fine-tune собственных LLM на своих датасетах — свой TTS/STT на своих датасетах — генерацию лиц и deepfake — MLOps-инфраструктуру и пайплайны Каждое направление делал один сильный senior. ML команда из 4х человек, которая деливерит не прототипчики с AI, а такой уровень, где люди не верили, что говорят с моделью — думали, что это живой человек. Важный момент: мы покупали и готовые решения, где это было выгодно. Но параллельно строили независимость и кастомность — чтобы не упираться в чужие ограничения и иметь возможность делать то, чего нет на рынке. 2. Теперь компания Y : AI-продукт уровня "обёртка над ChatGPT" команда из 15 человек уровня джун-миддл запускала около года. Потом ещё полгода доводила до нормального качества. Сравним экономику: Вариант 1: 4 senior’а х $8k х 4 месяца ≈ $128k до запуска Вариант 2: 15 человек x $3k x 15 месяцев ≈ $675k до конкурентного качества продукта Разница бюджета в 5 раз, разница в скорости запуска в 4 раза в пользу сеньёров. Маленькая сильная команда: — вышла на рынок быстрее — строила собственные технологии — накапливала engineering leverage — могла быстро pivot’иться при необходимости Большая команда в итоге строила то, что через год стало очень просто повторить, а значит — высокая конкуренция, демпинг по цене и слабая дифференциация продукта. Какие выводы: 1. Лично я верю в сеньёров и быстрые запуски. Причём раньше 1 сильный инженер мог заменить 2–3 средних, а сейчас с помощью ИИ вполне может дать ещё больший эффект. 2. Больше людей не значит быстрее. Скорее наоборот: выше уровень сотрудников — выше скорость принятия решений и разработки — выше ROI — больше пространства для инноваций и поиска точек роста бизнеса. Вероятно, это не универсальная истина и могут быть разные конфигурации бизнеса, культуры компании и целей, но на моём опыте вывод довольно однозначный. Если не согласны — с удовольствием подискутирую.
-
Почему 4 сеньёра могут быть эффективнее команды из 15 человек
Есть компании, которые верят в то, что уж лучше много джунов за копейки, чем несколько сеньоров за дорого. Очевидно, мнения могут быть разными, поэтому поделюсь кейсами, которые наблюдал лично: 1. В компании Х у нас было 4 человека, которые ещё до эпохи ChatGPT с нуля за несколько месяцев собрали полноценный AI-стек: — fine-tune собственных LLM на своих датасетах — свой TTS/STT на своих датасетах — генерацию лиц и deepfake — MLOps-инфраструктуру и пайплайны Каждое направление делал один сильный senior. ML команда из 4х человек, которая деливерит не прототипчики с AI, а такой уровень, где люди не верили, что говорят с моделью — думали, что это живой человек. Важный момент: мы покупали и готовые решения, где это было выгодно. Но параллельно строили независимость и кастомность — чтобы не упираться в чужие ограничения и иметь возможность делать то, чего нет на рынке. 2. Теперь компания Y : AI-продукт уровня "обёртка над ChatGPT" команда из 15 человек уровня джун-миддл запускала около года. Потом ещё полгода доводила до нормального качества. Сравним экономику: Вариант 1: 4 senior’а х $8k х 4 месяца ≈ $128k до запуска Вариант 2: 15 человек x $3k x 15 месяцев ≈ $675k до конкурентного качества продукта Разница бюджета в 5 раз, разница в скорости запуска в 4 раза в пользу сеньёров. Маленькая сильная команда: — вышла на рынок быстрее — строила собственные технологии — накапливала engineering leverage — могла быстро pivot’иться при необходимости Большая команда в итоге строила то, что через год стало очень просто повторить, а значит — высокая конкуренция, демпинг по цене и слабая дифференциация продукта. Какие выводы: 1. Лично я верю в сеньёров и быстрые запуски. Причём раньше 1 сильный инженер мог заменить 2–3 средних, а сейчас с помощью ИИ вполне может дать ещё больший эффект. 2. Больше людей не значит быстрее. Скорее наоборот: выше уровень сотрудников — выше скорость принятия решений и разработки — выше ROI — больше пространства для инноваций и поиска точек роста бизнеса. Вероятно, это не универсальная истина и могут быть разные конфигурации бизнеса, культуры компании и целей, но на моём опыте вывод довольно однозначный. Если не согласны — с удовольствием подискутирую.
-
AI systems are no longer just models.
Models can propose.
Systems must verify.#AI #AISecurity #AIGovernance #AgenticAI #RuntimeVerification #AISecurity #CyberSecurity #SoftwareEngineering #MachineLearning #MLOps #LLMOps #RiskManagement
-
AI systems are no longer just models.
Models can propose.
Systems must verify.#AI #AISecurity #AIGovernance #AgenticAI #RuntimeVerification #AISecurity #CyberSecurity #SoftwareEngineering #MachineLearning #MLOps #LLMOps #RiskManagement
-
AI systems are no longer just models.
Models can propose.
Systems must verify.#AI #AISecurity #AIGovernance #AgenticAI #RuntimeVerification #AISecurity #CyberSecurity #SoftwareEngineering #MachineLearning #MLOps #LLMOps #RiskManagement
-
AI systems are no longer just models.
Models can propose.
Systems must verify.#AI #AISecurity #AIGovernance #AgenticAI #RuntimeVerification #AISecurity #CyberSecurity #SoftwareEngineering #MachineLearning #MLOps #LLMOps #RiskManagement
-
AI systems are no longer just models.
Models can propose.
Systems must verify.#AI #AISecurity #AIGovernance #AgenticAI #RuntimeVerification #AISecurity #CyberSecurity #SoftwareEngineering #MachineLearning #MLOps #LLMOps #RiskManagement
-
Spent some time wiring the first MLOX release notes together. The core idea stays simple: describe your MLOps stack in YAML, let the control plane handle the repetitive deployment and wiring work. It’s built for teams that want fewer snowflake setups and more reproducible infra. #MLOps #OpenSource
-
Spent some time wiring the first MLOX release notes together. The core idea stays simple: describe your MLOps stack in YAML, let the control plane handle the repetitive deployment and wiring work. It’s built for teams that want fewer snowflake setups and more reproducible infra. #MLOps #OpenSource
-
Инженерный подход к MLOps: как принципы расчётной механики ложатся в архитектуру AutoML
«Если что-то может пойти не так, это обязательно случится» . Мы не пытаемся предотвратить отказ, мы проектируем систему так, чтобы отказ одного элемента не валил конструкцию целиком. В предыдущих статьях мы разобрали AutoML на задаче о Титанике и показали систему мониторинга моделей . Это были туториалы по компонентам OutBoxML. Сегодня я хочу подняться на уровень выше и поговорить о принципах, на которых эти компоненты и вся система держатся. И поговорить про это через мой опыт в судостроении и страховании.
-
Инженерный подход к MLOps: как принципы расчётной механики ложатся в архитектуру AutoML
«Если что-то может пойти не так, это обязательно случится» . Мы не пытаемся предотвратить отказ, мы проектируем систему так, чтобы отказ одного элемента не валил конструкцию целиком. В предыдущих статьях мы разобрали AutoML на задаче о Титанике и показали систему мониторинга моделей . Это были туториалы по компонентам OutBoxML. Сегодня я хочу подняться на уровень выше и поговорить о принципах, на которых эти компоненты и вся система держатся. И поговорить про это через мой опыт в судостроении и страховании.
-
Инженерный подход к MLOps: как принципы расчётной механики ложатся в архитектуру AutoML
«Если что-то может пойти не так, это обязательно случится» . Мы не пытаемся предотвратить отказ, мы проектируем систему так, чтобы отказ одного элемента не валил конструкцию целиком. В предыдущих статьях мы разобрали AutoML на задаче о Титанике и показали систему мониторинга моделей . Это были туториалы по компонентам OutBoxML. Сегодня я хочу подняться на уровень выше и поговорить о принципах, на которых эти компоненты и вся система держатся. И поговорить про это через мой опыт в судостроении и страховании.
-
Инженерный подход к MLOps: как принципы расчётной механики ложатся в архитектуру AutoML
«Если что-то может пойти не так, это обязательно случится» . Мы не пытаемся предотвратить отказ, мы проектируем систему так, чтобы отказ одного элемента не валил конструкцию целиком. В предыдущих статьях мы разобрали AutoML на задаче о Титанике и показали систему мониторинга моделей . Это были туториалы по компонентам OutBoxML. Сегодня я хочу подняться на уровень выше и поговорить о принципах, на которых эти компоненты и вся система держатся. И поговорить про это через мой опыт в судостроении и страховании.
-
#Netflix developed a graph-based architecture for managing #ML systems: the Model Lifecycle Graph.
It maps relationships between datasets, models, features, and workflows to improve discoverability, governance, and component reuse - while enabling a self-service workflow for engineers and data scientists.
Learn more: https://bit.ly/3Rlfa6g
-
#Netflix developed a graph-based architecture for managing #ML systems: the Model Lifecycle Graph.
It maps relationships between datasets, models, features, and workflows to improve discoverability, governance, and component reuse - while enabling a self-service workflow for engineers and data scientists.
Learn more: https://bit.ly/3Rlfa6g
-
#Netflix developed a graph-based architecture for managing #ML systems: the Model Lifecycle Graph.
It maps relationships between datasets, models, features, and workflows to improve discoverability, governance, and component reuse - while enabling a self-service workflow for engineers and data scientists.
Learn more: https://bit.ly/3Rlfa6g
-
#Netflix developed a graph-based architecture for managing #ML systems: the Model Lifecycle Graph.
It maps relationships between datasets, models, features, and workflows to improve discoverability, governance, and component reuse - while enabling a self-service workflow for engineers and data scientists.
Learn more: https://bit.ly/3Rlfa6g
-
#Netflix developed a graph-based architecture for managing #ML systems: the Model Lifecycle Graph.
It maps relationships between datasets, models, features, and workflows to improve discoverability, governance, and component reuse - while enabling a self-service workflow for engineers and data scientists.
Learn more: https://bit.ly/3Rlfa6g
-
ClearML Agent: обучение модели в Google Colab
ClearML — это целый космос, так что мы продолжаем разбирать его компоненты. В прошлой статье мы рассматривали ClearML Session и настраивали удаленную среду разработки с Jupyter Lab и VSCode. В этот раз поговорим о ClearML Agent и разберем, как с его помощью запустить обучение на удаленном сервере, в частности, Google Colab. Итак, поехали!
https://habr.com/ru/companies/magnus-tech/articles/1022850/
#clearml #MLOps #google_colab #ClearML_Agent #ML_orchestration #запуск_MLзадач #запуск_обучения_на_GPU #автоматизация_MLинфраструктуры #обучение_нейросетей
-
ClearML Agent: обучение модели в Google Colab
ClearML — это целый космос, так что мы продолжаем разбирать его компоненты. В прошлой статье мы рассматривали ClearML Session и настраивали удаленную среду разработки с Jupyter Lab и VSCode. В этот раз поговорим о ClearML Agent и разберем, как с его помощью запустить обучение на удаленном сервере, в частности, Google Colab. Итак, поехали!
https://habr.com/ru/companies/magnus-tech/articles/1022850/
#clearml #MLOps #google_colab #ClearML_Agent #ML_orchestration #запуск_MLзадач #запуск_обучения_на_GPU #автоматизация_MLинфраструктуры #обучение_нейросетей
-
ClearML Agent: обучение модели в Google Colab
ClearML — это целый космос, так что мы продолжаем разбирать его компоненты. В прошлой статье мы рассматривали ClearML Session и настраивали удаленную среду разработки с Jupyter Lab и VSCode. В этот раз поговорим о ClearML Agent и разберем, как с его помощью запустить обучение на удаленном сервере, в частности, Google Colab. Итак, поехали!
https://habr.com/ru/companies/magnus-tech/articles/1022850/
#clearml #MLOps #google_colab #ClearML_Agent #ML_orchestration #запуск_MLзадач #запуск_обучения_на_GPU #автоматизация_MLинфраструктуры #обучение_нейросетей
-
ClearML Agent: обучение модели в Google Colab
ClearML — это целый космос, так что мы продолжаем разбирать его компоненты. В прошлой статье мы рассматривали ClearML Session и настраивали удаленную среду разработки с Jupyter Lab и VSCode. В этот раз поговорим о ClearML Agent и разберем, как с его помощью запустить обучение на удаленном сервере, в частности, Google Colab. Итак, поехали!
https://habr.com/ru/companies/magnus-tech/articles/1022850/
#clearml #MLOps #google_colab #ClearML_Agent #ML_orchestration #запуск_MLзадач #запуск_обучения_на_GPU #автоматизация_MLинфраструктуры #обучение_нейросетей
-
How autonomous AI systems are replacing human supervisory layers in Six Sigma logistics operations — and the architecture making it possible. https://hackernoon.com/what-six-sigma-operations-actually-look-like-when-ai-is-doing-the-supervising #mlops
-
How autonomous AI systems are replacing human supervisory layers in Six Sigma logistics operations — and the architecture making it possible. https://hackernoon.com/what-six-sigma-operations-actually-look-like-when-ai-is-doing-the-supervising #mlops
-
How autonomous AI systems are replacing human supervisory layers in Six Sigma logistics operations — and the architecture making it possible. https://hackernoon.com/what-six-sigma-operations-actually-look-like-when-ai-is-doing-the-supervising #mlops
-
How autonomous AI systems are replacing human supervisory layers in Six Sigma logistics operations — and the architecture making it possible. https://hackernoon.com/what-six-sigma-operations-actually-look-like-when-ai-is-doing-the-supervising #mlops
-
How autonomous AI systems are replacing human supervisory layers in Six Sigma logistics operations — and the architecture making it possible. https://hackernoon.com/what-six-sigma-operations-actually-look-like-when-ai-is-doing-the-supervising #mlops
-
Excited to open-source perfusio v0.1.0!
A Python toolkit for Bayesian experimental design & digital twins in perfusion bioprocessing — built for CHO cell culture, GP surrogates, and active learning loops.
📦 pip install perfusio
🔗 http://github.com/lynchaos/perfusio
🔗 https://pypi.org/project/perfusio/
🔗 https://lynchaos.github.io/perfusio/ -
Excited to open-source perfusio v0.1.0!
A Python toolkit for Bayesian experimental design & digital twins in perfusion bioprocessing — built for CHO cell culture, GP surrogates, and active learning loops.
📦 pip install perfusio
🔗 http://github.com/lynchaos/perfusio
🔗 https://pypi.org/project/perfusio/
🔗 https://lynchaos.github.io/perfusio/ -
Excited to open-source perfusio v0.1.0!
A Python toolkit for Bayesian experimental design & digital twins in perfusion bioprocessing — built for CHO cell culture, GP surrogates, and active learning loops.
📦 pip install perfusio
🔗 http://github.com/lynchaos/perfusio
🔗 https://pypi.org/project/perfusio/
🔗 https://lynchaos.github.io/perfusio/ -
Excited to open-source perfusio v0.1.0!
A Python toolkit for Bayesian experimental design & digital twins in perfusion bioprocessing — built for CHO cell culture, GP surrogates, and active learning loops.
📦 pip install perfusio
🔗 http://github.com/lynchaos/perfusio
🔗 https://pypi.org/project/perfusio/
🔗 https://lynchaos.github.io/perfusio/ -
Excited to open-source perfusio v0.1.0!
A Python toolkit for Bayesian experimental design & digital twins in perfusion bioprocessing — built for CHO cell culture, GP surrogates, and active learning loops.
📦 pip install perfusio
🔗 http://github.com/lynchaos/perfusio
🔗 https://pypi.org/project/perfusio/
🔗 https://lynchaos.github.io/perfusio/ -
Как устроена ML-платформа Michelangelo и какие базовые принципы из неё важно усвоить
Привет! Меня зовут Катерина Цаплина, я программный эксперт курса «MLOps для разработки и мониторинга моделей», и это вторая статья цикла о том, как компании реализуют MLOps. В предыдущей части мы разбирали, какие архитектурные подходы скрываются за MLOps: от workflow-фреймворков до managed-сервисов и внутренних платформ. В этой статье хочу разобрать один из самых известных платформенных кейсов — Michelangelo компании Uber. Он ценен тем, что наглядно показывает, как ML-платформа вырастает из практических задач и затем эволюционирует вместе с изменением сценариев: от классического ML к deep learning и LLMOps. Поговорим о том, как устроена платформа, какие сущности и слои в ней ключевые и почему этот пример остаётся полезным. Посмотрим на Michelangelo через призму российских реалий, порассуждаем о связи между зрелостью ML в компании и сложностью корпоративного ландшафта, а также о том, когда платформа действительно становится оправданной.
https://habr.com/ru/companies/yandex_praktikum/articles/1031378/
-
Как устроена ML-платформа Michelangelo и какие базовые принципы из неё важно усвоить
Привет! Меня зовут Катерина Цаплина, я программный эксперт курса «MLOps для разработки и мониторинга моделей», и это вторая статья цикла о том, как компании реализуют MLOps. В предыдущей части мы разбирали, какие архитектурные подходы скрываются за MLOps: от workflow-фреймворков до managed-сервисов и внутренних платформ. В этой статье хочу разобрать один из самых известных платформенных кейсов — Michelangelo компании Uber. Он ценен тем, что наглядно показывает, как ML-платформа вырастает из практических задач и затем эволюционирует вместе с изменением сценариев: от классического ML к deep learning и LLMOps. Поговорим о том, как устроена платформа, какие сущности и слои в ней ключевые и почему этот пример остаётся полезным. Посмотрим на Michelangelo через призму российских реалий, порассуждаем о связи между зрелостью ML в компании и сложностью корпоративного ландшафта, а также о том, когда платформа действительно становится оправданной.
https://habr.com/ru/companies/yandex_praktikum/articles/1031378/
-
Как устроена ML-платформа Michelangelo и какие базовые принципы из неё важно усвоить
Привет! Меня зовут Катерина Цаплина, я программный эксперт курса «MLOps для разработки и мониторинга моделей», и это вторая статья цикла о том, как компании реализуют MLOps. В предыдущей части мы разбирали, какие архитектурные подходы скрываются за MLOps: от workflow-фреймворков до managed-сервисов и внутренних платформ. В этой статье хочу разобрать один из самых известных платформенных кейсов — Michelangelo компании Uber. Он ценен тем, что наглядно показывает, как ML-платформа вырастает из практических задач и затем эволюционирует вместе с изменением сценариев: от классического ML к deep learning и LLMOps. Поговорим о том, как устроена платформа, какие сущности и слои в ней ключевые и почему этот пример остаётся полезным. Посмотрим на Michelangelo через призму российских реалий, порассуждаем о связи между зрелостью ML в компании и сложностью корпоративного ландшафта, а также о том, когда платформа действительно становится оправданной.
https://habr.com/ru/companies/yandex_praktikum/articles/1031378/
-
Как устроена ML-платформа Michelangelo и какие базовые принципы из неё важно усвоить
Привет! Меня зовут Катерина Цаплина, я программный эксперт курса «MLOps для разработки и мониторинга моделей», и это вторая статья цикла о том, как компании реализуют MLOps. В предыдущей части мы разбирали, какие архитектурные подходы скрываются за MLOps: от workflow-фреймворков до managed-сервисов и внутренних платформ. В этой статье хочу разобрать один из самых известных платформенных кейсов — Michelangelo компании Uber. Он ценен тем, что наглядно показывает, как ML-платформа вырастает из практических задач и затем эволюционирует вместе с изменением сценариев: от классического ML к deep learning и LLMOps. Поговорим о том, как устроена платформа, какие сущности и слои в ней ключевые и почему этот пример остаётся полезным. Посмотрим на Michelangelo через призму российских реалий, порассуждаем о связи между зрелостью ML в компании и сложностью корпоративного ландшафта, а также о том, когда платформа действительно становится оправданной.
https://habr.com/ru/companies/yandex_praktikum/articles/1031378/
-
Sleepless night, but worth it. A new data ingestion optimization just went live, cutting our signal processing latency by 12ms. A small win, but these compound. For our models, fresher data means a potentially clearer signal. The hunt for efficiency is relentless.
-
Sleepless night, but worth it. A new data ingestion optimization just went live, cutting our signal processing latency by 12ms. A small win, but these compound. For our models, fresher data means a potentially clearer signal. The hunt for efficiency is relentless.
-
Sleepless night, but worth it. A new data ingestion optimization just went live, cutting our signal processing latency by 12ms. A small win, but these compound. For our models, fresher data means a potentially clearer signal. The hunt for efficiency is relentless.
-
Sleepless night, but worth it. A new data ingestion optimization just went live, cutting our signal processing latency by 12ms. A small win, but these compound. For our models, fresher data means a potentially clearer signal. The hunt for efficiency is relentless.
-
Sleepless night, but worth it. A new data ingestion optimization just went live, cutting our signal processing latency by 12ms. A small win, but these compound. For our models, fresher data means a potentially clearer signal. The hunt for efficiency is relentless.
-
AI models don’t make decisions alone. Learn how to integrate external ML models into Pega workflows with proper contracts and control. https://hackernoon.com/integrating-external-ml-models-into-pega-decisioning-systems #mlops
-
AI models don’t make decisions alone. Learn how to integrate external ML models into Pega workflows with proper contracts and control. https://hackernoon.com/integrating-external-ml-models-into-pega-decisioning-systems #mlops