Guest
Большинство ML-команд умеет качественно обучать модели. Но зачастую компаниям нужна не просто модель, а полезные предикты, которые можно «из коробки» использовать в бизнес-процессах, подключать к сайту или приложениям. На собеседованиях в российских и зарубежных ИТ-компаниях встречаются такие задания — «описать путь от модели в локальном Jupyter-ноутбуке до готового сервиса, к которому можно обращаться по API». На вебинаре мы поговорим об оптимальных и неоптимальных способах решения подобных задач, важности версионирования и о том, как сделать из любой ML-модели готовый сервис. Дополнительно разберем основные принципы и инструменты MLOps. Вебинар будет интересен ML и MLOps-инженерам, инженерам данных, ведущим Data Scientists, а также DevOps-инженерам и менеджерам технических продуктов. В программе - Создаем готовый ML API в Jupyter-ноутбуке. - Проводим версионирование модели, разбираем возможности и функции MLflow. - Налаживаем жизненный цикл модели. - Организовываем хранение ML-артефактов и пространство для командной работы над библиотекой моделей для разных задач. Спикер: Алексей Белозерский Руководитель команды Big Data Services, VK Cloud
