Guest
Не каждый инженер согласится строить ML-инфраструктуру и проводить непредсказуемые эксперименты. Но кто-то должен этим заниматься. Говорим об ML-инженерах, которые выбирают путь работы с инфраструктурой, и выясняем, как сделать эту работу качественнее. В этом выпуске обсуждаем: — как выводить модели в прод быстро; — что должен понимать руководитель команды, которая занимается ML-инфраструктурой; — как взаимодействовать с разработчиками и передавать наработки команде инженеров. Не забыли и техническую конкретику: Data-платформу как фундамент ML-инфраструктуры и работу с потоками данных. Ведущий выпуска — Андрей Кузнецов, директор по машинному обучению «Одноклассников». Полезные ссылки: — Статья от Google «MLOps: Continuous delivery and automation pipelines in machine learning»: — Книга Мартина Клеппмана «Высоконагруженные приложения. Программирование, масштабирование, поддержка»: — Доклад Михаила Марюфича «CI/CD для Ml-моделей и датасетов»: Подписывайтесь на наши соцсети, чтобы не пропустить следующие выпуски и новости предстоящей конференции. — VK: — Telegram-чат: — Telegram-канал: Сайт I’ML:
