雷声Shiviah

毫升发展带来许多新的复杂性超出了传统的软件开发生命周期。毫升项目,与软件项目不同的是,他们成功地交付和部署后,不能放弃,但必须不断监控如果模型性能仍然满足所有的需求。在大多数毫升用例,我们需要处理更新训练集,从而影响模型性能。此外,大多数模型需要在运行时某些数据预处理和后期处理,使部署过程更具挑战性。在这次演讲中,我们将展示如何使用MLflow建立一个自动化CI / CD管道可以部署一个新版本的模型和代码在生产。此外,我们将展示如何可以使用相同的方法在数据训练管道将在新数据到来重新训练模型和部署模型的新版本是否满足所有的需求。

更多的数据总是提高模型毫升吗?最好使用分布式毫升而不是单一节点毫升?

在这个演讲,我将表明,尽管更多的数据经常改善DL模型在高方差问题空间(半或非结构化数据)如NLP,图像、视频更多的数据并不显著改善高偏差问题空间传统ML是更合适的地方。此外,即使在深度学习领域,单一节点通过转移学习模型仍然可以比分布式模型。

数据科学家痛点并行运行许多模型自动化实验设置。让别人(特别是分析师)在一个组织中使用他们的模型数据砖使用熊猫udf解决了这些问题,运行时和MLflow毫升。

毫升发展带来许多新的复杂性超出了传统的软件开发生命周期。与传统的软件开发,毫升开发者想尝试多个算法,工具和参数来得到最好的结果,他们需要跟踪这个信息复制工作。此外,开发人员需要使用许多不同的系统productionize模型。

为了解决这些挑战,砖公布了去年MLflow,一个开源项目,旨在简化整个毫升生命周期。bob下载地址MLflow介绍简单的抽象包可再生项目,跟踪结果,和封装模型,可以用于许多现有的工具,加速毫升为任何规模的组织生命周期。

在过去的一年中,MLflow社区增长迅速:120多个贡献者来自超过40公司项目贡献代码,并使用MLflow超过200家公司。

在本教程中,我们将向您展示如何使用MLflow可以帮助您:

• 跟踪实验运行和结果在框架。
• 执行项目远程砖集群,并迅速繁殖跑步。
• 快速productionize模型使用砖生产工作,集装箱码头工人,Azure ML,或亚马逊SageMaker。

我们将演示的基石MLflow以及最新的1.0版本以来的添加。

你将学习:

• 了解开源MLflow的三个主要组件(MLflow跟踪、MLflow项目,MLflbob下载地址ow模型)以及每毫升帮助解决挑战的生命周期。
• 如何使用MLflow跟踪记录和查询实验:代码、数据、配置和结果。
• 如何使用MLflow项目包装格式复制任何平台上运行。bob体育客户端下载
• 如何使用MLflow模型一般格式发送模型不同的部署工具。

先决条件:

• 充足的笔记本电脑(8-16GB内存)Chrome和Firefox
• Python 3和pip预装
• 登记,砖的标准试验
• Python编程语言的基本知识
• 机器学习概念的基本理解

毫升发展带来许多新的复杂性超出了传统的软件开发生命周期。与传统的软件开发,毫升开发者想尝试多个算法,工具和参数来得到最好的结果,他们需要跟踪这个信息复制工作。此外,开发人员需要使用许多不同的系统productionize模型。

为了解决这些挑战,砖公布了去年MLflow,一个开源项目,旨在简化整个毫升生命周期。bob下载地址MLflow介绍简单的抽象包可再生项目,跟踪结果,和封装模型,可以用于许多现有的工具,加速毫升为任何规模的组织生命周期。

在过去的一年中,MLflow社区增长迅速:120多个贡献者来自超过40公司项目贡献代码,并使用MLflow超过200家公司。

在本教程中,我们将向您展示如何使用MLflow可以帮助您:

• 跟踪实验运行和结果在框架。
• 执行项目远程砖集群,并迅速繁殖跑步。
• 快速productionize模型使用砖生产工作,集装箱码头工人,Azure ML,或亚马逊SageMaker。

我们将演示的基石MLflow以及最新的1.0版本以来的添加。

你将学习:

• 了解开源MLflow的三个主要组件(MLflow跟踪、MLflow项目,MLflbob下载地址ow模型)以及每毫升帮助解决挑战的生命周期。
• 如何使用MLflow跟踪记录和查询实验:代码、数据、配置和结果。
• 如何使用MLflow项目包装格式复制任何平台上运行。bob体育客户端下载
• 如何使用MLflow模型一般格式发送模型不同的部署工具。

先决条件:

• 充足的笔记本电脑(8-16GB内存)Chrome和Firefox
• Python 3和pip预装
• 登记,砖的标准试验
• Python编程语言的基本知识
• 机器学习概念的基本理解

管道已成为现代软件工程的重点,与我们的API /服务/集装箱/ devops驱动的风景也许不足为奇,管道,人工智能项目往往失败。但正是因为我们现代软件开发关注分离的管道,我们一直在努力处理人工智能的兴起。

具体来说,企业能够有效地使用人工智能时能够显式创建端到端AI模型工厂占之间的耦合数据,模型,和代码。

在这个演讲,我将走过一个模型工厂是什么以及如何MLFlow工厂的设计支持端到端模型的创建和分享最佳实践我观察到帮助客户从创业到50年代的财富创造,productionize,和规模的端到端毫升管道,看那些管道产生严重,游戏不断变化的业务影响。

会话标签:# SAISDS11