Антон Шумейко у своїй статті пояснює, що насправді означає відповідати за AI-систему в production. На двох реальних кейсах він показує, чому самих evals і логів недостатньо, як шукати регресії, що має бути в trace, як безпечно міняти моделі та чому рахувати варто не ціну виклику, а вартість успішної задачі. 2
Анатолій Шара у своєму блозі розповідає, як створення рекомендаційної системи книжок відкрило йому Data Engineering. Він пояснює, чому замало просто натренувати модель і наскільки важливі надійні пайплайни, Airflow, Kafka, Docker та CI/CD. 6
Анатолій Шара ділиться враженнями від курсу «Machine Learning in Production» і виділяє key takeaways. А ще — розповідає про випускну роботу — створення рекомендаційної системи для онлайн-книгарні. Вас чекає занурення в деталі її реалізації, побудованої не на стандартних підходах, а також шлях від ідеї до готового до розгортання сервісу. 1
DevOps Engineer Данило розглядає витрати на аналітику даних за допомогою штучного інтелекту на Google Cloud Platform. Він аналізує ціни Vertex AI, BigQuery, Looker, та інших інструментів для оптимізації витрат і покращення ефективності. 1
Коли справа стосується Machine Learning, точність результатів моделі повинна максимально задовольняти очікування користувачів і дозволяти бізнесу здобувати вигоду. Щоб це сталося, observability має бути на висоті. Команда Operational Intelligence з EPAM Systems ділиться лайфхаками для ефективного моніторингу
Коментарі