Guest
В докладе обсудим: - Как были устроены наши MLOps процессы и инфраструктура, когда команда была небольшой - Какие при этом были проблемы - Что мы поменяли, чтобы сделать процесс вывода ML решений в production гибче и эффективнее - Как мы адаптировали MLFlow к стандартам корпоративной безопасности - Как мы масштабировали наши процессы и инфраструктуру на большое количество команд в условиях Agile разработки - Почему Airflow недостаточно гибок для ML-задач и какую альтернативу выбрали мы - Как мы обеспечили непрерывный процесс мониторинга и дообучения ML-моделей - О чем всегда нужно помнить при построении больших платформ Наш стек – Python, Hadoop, Spark, K8S, Docker, JupyterHub, MLFlow, Airflow, Argo, Cookiecutter, Great Expectations и др. Data Fest 2023: Трек “MLOps“: Наши соц.сети: Telegram: Вконтакте:
