iT邦幫忙

mlops相關文章
共有 187 則文章
鐵人賽 AI Engineering DAY 2

技術 Day 02:用資料說話 — 4,343 筆職缺的任務訊號解剖

昨天提到,這一系列文章是從真實需求出發,透過整理新興 AI 職缺,我觀察到目前市場上的 AI 人才需求,已逐漸分化成兩類不同的職務方向。今天,就想進一步和大家分...

鐵人賽 AI Engineering DAY 1

技術 Day 01:五年後再談 AI 落地 — 為什麼是「雙主軸」?

2021 年,我在鐵人賽寫了《從 AI 落地談 MLOps》(GitHub)。那 30 天在回答一個問題:模型訓練好了,然後呢? 五年後,這個問題不但沒有過期,...

鐵人賽 AI Engineering DAY 18

技術 Day 19:RAG(二)檢索端 — 混合檢索、重排序與查詢改寫

此系列因故中斷,請移駕 RE:從 4,343 筆職缺到 AI Engineer:MLOps × GenAI Engineering 雙主軸實戰 繼續支持。 昨天...

鐵人賽 AI Engineering DAY 18

技術 Day 18:RAG(一)索引端 — 八成的失敗在提問之前就決定了

此系列因故中斷,請移駕 RE:從 4,343 筆職缺到 AI Engineer:MLOps × GenAI Engineering 雙主軸實戰 繼續支持。 今天...

鐵人賽 AI Engineering DAY 17

技術 Day 17:LLM 應用骨架 — 從 LINE Bot 到會自己決定的系統

此系列因故中斷,請移駕 RE:從 4,343 筆職缺到 AI Engineer:MLOps × GenAI Engineering 雙主軸實戰 繼續支持。 20...

鐵人賽 AI Engineering DAY 16

技術 Day 16:從 Prompt 到 Context Engineering — 輸入視窗是一份預算

此系列因故中斷,請移駕 RE:從 4,343 筆職缺到 AI Engineer:MLOps × GenAI Engineering 雙主軸實戰 繼續支持。 今天...

鐵人賽 AI Engineering DAY 15

技術 Day 15:AI 平臺與成本治理——損益平衡點與 GPU 利用率

此系列因故中斷,請移駕 RE:從 4,343 筆職缺到 AI Engineer:MLOps × GenAI Engineering 雙主軸實戰 繼續支持。 前七...

鐵人賽 AI Engineering DAY 14

技術 Day 14:監控與漂移 — 模型無聲壞掉的那 14 天

此系列因故中斷,請移駕 RE:從 4,343 筆職缺到 AI Engineer:MLOps × GenAI Engineering 雙主軸實戰 繼續支持。 Da...

鐵人賽 AI Engineering DAY 13

技術 Day 13:推論服務 — 延遲 vs 吞吐的取捨曲線

此系列因故中斷,請移駕 RE:從 4,343 筆職缺到 AI Engineer:MLOps × GenAI Engineering 雙主軸實戰 繼續支持。 昨天...

鐵人賽 AI Engineering DAY 12

技術 Day 12:容器與 Kubernetes — GPU 排程與那些會讓 Pod 重啟的坑

此系列因故中斷,請移駕 RE:從 4,343 筆職缺到 AI Engineer:MLOps × GenAI Engineering 雙主軸實戰 繼續支持。 今天...

鐵人賽 AI Engineering DAY 11

技術 Day 11:訓練管線與 CI/CD—品質門檻設定

此系列因故中斷,請移駕 RE:從 4,343 筆職缺到 AI Engineer:MLOps × GenAI Engineering 雙主軸實戰 繼續支持。 資料...

鐵人賽 AI Engineering DAY 10

技術 Day 10:實驗追蹤與模型註冊—MLflow 與 champion/challenger

此系列因故中斷,請移駕 RE:從 4,343 筆職缺到 AI Engineer:MLOps × GenAI Engineering 雙主軸實戰 繼續支持。 昨天...

鐵人賽 AI Engineering DAY 9

技術 Day 09:資料與特徵——DVC、資料驗證與訓練—服務偏斜

此系列因故中斷,請移駕 RE:從 4,343 筆職缺到 AI Engineer:MLOps × GenAI Engineering 雙主軸實戰 繼續支持。 昨天...

鐵人賽 AI Engineering DAY 8

技術 Day 08:MLOps 成熟度——你的團隊在 Level 幾?

此系列因故中斷,請移駕 RE:從 4,343 筆職缺到 AI Engineer:MLOps × GenAI Engineering 雙主軸實戰 繼續支持。 20...

鐵人賽 AI Engineering DAY 7

技術 Day 07:LLM 原理速成——token 經濟與成本的真相

此系列因故中斷,請移駕 RE:從 4,343 筆職缺到 AI Engineer:MLOps × GenAI Engineering 雙主軸實戰 繼續支持。 今天...

鐵人賽 AI Engineering DAY 6

技術 Day 06:ML 生命週期與「筆記本到產品的鴻溝」

此系列因故中斷,請移駕 RE:從 4,343 筆職缺到 AI Engineer:MLOps × GenAI Engineering 雙主軸實戰 繼續支持。 ML...

鐵人賽 AI Engineering DAY 5

技術 Day 05:工程基礎最小集合——環境、Git、容器、金鑰

此系列因故中斷,請移駕 RE:從 4,343 筆職缺到 AI Engineer:MLOps × GenAI Engineering 雙主軸實戰 繼續支持。...

鐵人賽 AI Engineering DAY 4

技術 Day 04:從職缺任務到學習地圖——您走哪條路?

此系列因故中斷,請移駕 RE:從 4,343 筆職缺到 AI Engineer:MLOps × GenAI Engineering 雙主軸實戰 繼續支持。 三天...

鐵人賽 AI Engineering DAY 3

技術 Day 03:兩個職務的責任界面——誰該負責什麼

此系列因故中斷,請移駕 RE:從 4,343 筆職缺到 AI Engineer:MLOps × GenAI Engineering 雙主軸實戰 繼續支持。 昨天...

鐵人賽 AI Engineering DAY 2

技術 Day 02:用資料說話——4,343 筆職缺的任務訊號解剖

此系列因故中斷,請移駕 RE:從 4,343 筆職缺到 AI Engineer:MLOps × GenAI Engineering 雙主軸實戰 繼續支持。 昨天...

鐵人賽 AI Engineering DAY 1

技術 Day 01:五年後再談 AI 落地——為什麼是「雙主軸」?

此系列因故中斷,請移駕 RE:從 4,343 筆職缺到 AI Engineer:MLOps × GenAI Engineering 雙主軸實戰 繼續支持。 20...

技術 使用 TFX、Kubeflow pipeline和 Cloud Build 的 MLOps 架構

此篇主要講述如何使用TXF(TensorFlow Extended) library的ML整體架構,並且在CI/CD還有CT的原則下使用 Cloud Build...

鐵人賽 AI/ ML & Data

技術 從「這次不會壞吧」到自動化的未來:22 為什麼需要資料管理工具?DagsHub 與 DVC 怎麼選?

為什麼需要資料管理工具 隨著開發過程持續推進,通常會產生大量版本的程式碼,並需要使用版本控制工具追蹤這些程式碼,以利後續維護。除了程式碼,訓練資料也需要進行版本...

鐵人賽 AI/ ML & Data

技術 從「這次不會壞吧」到自動化的未來:21 CNN 模型訓練 MLDM + MLDE

今天我們會使用 MLDM + MLDE 來進行貓狗圖片分類的卷積神經網路(Convolutional Neural Network,CNN)模型訓練,並進行以下...

鐵人賽 AI/ ML & Data

技術 從「這次不會壞吧」到自動化的未來:20 從前處理到模型訓練,都在版控環境中?

過去在 DL 模型的開發過程中,要追蹤大量的資料和實驗結果可能需要結合多項工具,形成較高的學習成本;針對這些問題,HPE 推出 MLDM、MLDE 作為解決方案...

鐵人賽 AI/ ML & Data

技術 從「這次不會壞吧」到自動化的未來:19 所以模型版本控制工具怎麼選?

這幾天的文章主要分享三個頗受好評的模型實驗管理工具,市面上還有很多類似的工具,這些工具各有特色與強項,團隊可視情況選擇好維護的工具。 這些工具的目的都是在幫助團...

鐵人賽 AI/ ML & Data

技術 從「這次不會壞吧」到自動化的未來:18 模型版本控制 - MLflow

相較於 Tensorboard 與 Weight&Biases,MLflow 更著重於「公司內部的多人專案」的實驗管理上,主要讓工程師自己建立屬於公司內...

鐵人賽 AI/ ML & Data

技術 從「這次不會壞吧」到自動化的未來:17 模型版本控制 - Weight&Biases

大致功能與 Tensorboard 相同,但是整合了更多的深度學習(Llamaindex、Langchain、HuggingFace…)與機器學習(Sciki...

鐵人賽 AI/ ML & Data

技術 從「這次不會壞吧」到自動化的未來:16 模型版本控制 - Tensorboard

Tensorboard 算是深度學習早期最著名的實驗管理工具,至今依然十分熱門,它主打幾個功能: 視覺化的方式呈現模型訓練的Loss曲線和評估指標 視覺化的方...

鐵人賽 AI/ ML & Data

技術 從「這次不會壞吧」到自動化的未來:15 建模前,要思考的事

我們知道在做模型建立、模型驗證的時候需要思考以下幾個問題: 多人協作如何紀錄分析每位協作者的實驗紀錄,如何從眾多的實驗紀錄中快速比較出預測效果最好的模型? 當...