home.social

#mlплатформа — Public Fediverse posts

Live and recent posts from across the Fediverse tagged #mlплатформа, aggregated by home.social.

  1. Habr @[email protected] ·

    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.

    habr.com/ru/companies/yandex_p

    #mlops #mlopsплатформа #mlплатформа #uber_michelangelo

    #uber_michelangelo #mlплатформа #mlopsплатформа #mlops
  2. Habr @[email protected] ·

    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.

    habr.com/ru/companies/yandex_p

    #mlops #mlopsплатформа #mlплатформа #uber_michelangelo

    #uber_michelangelo #mlплатформа #mlopsплатформа #mlops
  3. Habr @[email protected] ·

    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.

    habr.com/ru/companies/yandex_p

    #mlops #mlopsплатформа #mlплатформа #uber_michelangelo

    #uber_michelangelo #mlплатформа #mlopsплатформа #mlops
  4. Habr @[email protected] ·

    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.

    habr.com/ru/companies/yandex_p

    #mlops #mlopsплатформа #mlплатформа #uber_michelangelo

    #mlops #mlopsплатформа #mlплатформа #uber_michelangelo
  5. Habr @[email protected] ·

    Как компании строят MLOps: три архитектурных подхода

    Всем привет! Меня зовут Катерина Цаплина, я программный эксперт курса

    habr.com/ru/companies/yandex_p

    #MLOps #MLплатформа #Uber_Michelangelo #Netflix_Metaflow #Vertex_AI #SageMaker #yandex_datasphere #Yandex_AI_Studio #MLинфраструктура #внедрение_MLOps

    #внедрение_mlops #mlинфраструктура #yandex_ai_studio #yandex_datasphere #sagemaker #vertex_ai
  6. Habr @[email protected] ·

    Как компании строят MLOps: три архитектурных подхода

    Всем привет! Меня зовут Катерина Цаплина, я программный эксперт курса

    habr.com/ru/companies/yandex_p

    #MLOps #MLплатформа #Uber_Michelangelo #Netflix_Metaflow #Vertex_AI #SageMaker #yandex_datasphere #Yandex_AI_Studio #MLинфраструктура #внедрение_MLOps

    #внедрение_mlops #mlинфраструктура #yandex_ai_studio #yandex_datasphere #sagemaker #vertex_ai
  7. Habr @[email protected] ·

    Как компании строят MLOps: три архитектурных подхода

    Всем привет! Меня зовут Катерина Цаплина, я программный эксперт курса

    habr.com/ru/companies/yandex_p

    #MLOps #MLплатформа #Uber_Michelangelo #Netflix_Metaflow #Vertex_AI #SageMaker #yandex_datasphere #Yandex_AI_Studio #MLинфраструктура #внедрение_MLOps

    #внедрение_mlops #mlинфраструктура #yandex_ai_studio #yandex_datasphere #sagemaker #vertex_ai
  8. Habr @[email protected] ·

    Как компании строят MLOps: три архитектурных подхода

    Всем привет! Меня зовут Катерина Цаплина, я программный эксперт курса

    habr.com/ru/companies/yandex_p

    #MLOps #MLплатформа #Uber_Michelangelo #Netflix_Metaflow #Vertex_AI #SageMaker #yandex_datasphere #Yandex_AI_Studio #MLинфраструктура #внедрение_MLOps

    #mlops #mlплатформа #uber_michelangelo #netflix_metaflow #vertex_ai #sagemaker
  9. Habr @[email protected] ·

    Решаем задачи ML эффективнее: платформа, которая экономит ресурсы, время и нервы

    Привет! Я Олег Бугримов, руковожу командой разработки ML-платформы в Авито . В статье расскажу, почему мы решили делать ML-платформу и какие инструменты у нас уже есть. Материал будет полезен ML-инженерам и техлидам, которые хотят сократить время на рутину, обеспечить команду единым набором инструментов, а также повысить качество и скорость разработки ML‑решений.

    habr.com/ru/companies/avito/ar

    #ml #machinelearning #avito #avitotech #авито #ai #ии #mlплатформа

    #ml #machinelearning #avito #avitotech #авито #ai
  10. Habr @[email protected] ·

    Nvidia Triton Inference Server: строим production ML без разработчиков

    Привет, Хабр! Меня зовут Антон, я DevOps-инженер в команде Data/ML-продуктов Selectel. В этой статье расскажу про наш новый продукт —

    habr.com/ru/companies/selectel

    #selectel #itкомпании #itинфраструктура #облачные_сервисы #data_engineering #inference #платформы #mlops #mlплатформа

    #selectel #itкомпании #itинфраструктура #облачные_сервисы #data_engineering #inference