iT邦幫忙

mlops相關文章
共有 98 則文章
鐵人賽 AI & Data DAY 30

技術 [Day 30] 完賽心得 — 大家可以回家啦

完賽心得 轉眼間就過了 30 天啦,第一次參賽有夠菜沒想到還能迎來這一天。 要堅持每天發文真的很考驗意志力 (也大大考驗了我的 PPT 作圖技術哈哈哈),期間還...

鐵人賽 AI & Data DAY 29

技術 [Day 29] Final Project (5/5) — 部署 App 到 Google App Engine

前情提要 昨天我們成功將模型部署到 Google AI Platform 上,並且也處理了授權的問題,最後讓 App 成功的運作了,今天我們要完成最後一個步驟...

鐵人賽 AI & Data DAY 28

技術 [Day 28] Final Project (4/5) — 部署模型到 Google AI Platform

前情提要 昨天我們成功的讓 App 在本機端運作,但按下 開始預測! 後卻出現了錯誤: 這意味著雖然 App 試圖使用 ironbird/app.py 與 i...

鐵人賽 AI & Data DAY 27

技術 [Day 27] Final Project (3/5) — 讓 App 在本機端運行

Prerequisites 為了讓接下來的步驟可以順利進行,我們首先要完成以下的前置作業,但因為每個人的作業系統不同 (當然最好是使用 Linux) 所以這裡不...

鐵人賽 AI & Data DAY 26

技術 [Day 26] Final Project (2/5) — 準備開始

接下來幾天的文章會像料理節目一樣,用我事先準備好的材料 (模型、App...) 來進行說明,底下就來整理一下會做的事情吧。 材料: 資料:Kaggle 300...

鐵人賽 AI & Data DAY 25

技術 [Day 25] Final Project (1/5) — 目標、計畫說明

目標:資料飛輪 在 [Day 02] Why MLOps — 從"地平說" 走向宇宙 我們提到了資料飛輪 (Data Flywheel) 代...

鐵人賽 AI & Data DAY 24

技術 [Day 24] Scoping — 計画通り

It's truly the beginning. Scoping is a big hurdle. - Michael Printup 前言 機器學習的...

鐵人賽 AI & Data DAY 23

技術 [Day 23] 資料旅程 — 好想出去玩 V1.0 ٩(●ᴗ●)۶

If you don't know the provenance or the source of the artifact, it's not scienc...

鐵人賽 AI & Data DAY 22

技術 [Day 22] 驗證資料 — 不可以色色! 加裝資料界的色情守門員

I used to be an adventurer like you, then I took an arrow in the knee. — Lots o...

鐵人賽 AI & Data DAY 21

技術 [Day 21] 資料標註 (2/2) — 各種標註方法

子曰:『工欲善其事,必先利其器。 前言 昨天提到依照 Ground truth 改變的速度會讓不同任務的標註有各種難易度: 而依照不同的難度會有不同的標註...

鐵人賽 AI & Data DAY 20

技術 [Day 20] 資料標註 (1/2) — Forget about the price tag ♫

The only thing that never changes is that everything changes. ― Louis L'Amour...

鐵人賽 AI & Data DAY 19

技術 [Day 19] 收集資料 — 你要對人家負責啊!

With data collection, ‘the sooner the better’ is always the best answer. – Mari...

鐵人賽 AI & Data DAY 15

技術 [Day 15] ML 實驗管理 — 翻開覆蓋的陷阱卡~ 記帳小本本!

All life is an experiment. The more experiments you make the better. — Ralph Wa...

鐵人賽 AI & Data DAY 25

技術 負責任的機器學習專案

機器學習的應用程式,介於使用者面向服務、統計學和計算機科學有所交集的領域。使用者面向服務包含個別用戶以及企業用戶。當機器學習服務在市場上愈來愈常見的同時,我們也...

鐵人賽 AI & Data DAY 30
從 AI 落地談 MLOps 系列 第 30

技術 Day 30 : 綜合整理 MLOps Level 0 ~ 2

MLOps 是值得持續投入的新興學門,如同 Day 01 談到的此系列目的,談如何從佈署機械學習至商業情境(ML in Production),並關注佈署之...

鐵人賽 AI & Data DAY 25

技術 管理、技術、商業層面來看:應該買一個?還是自己建一個機器學習系統?

在決定要引入機器學習專案的時候,第一個要思考的問題就是,這個服務應該要從外面買?還是要自己建一個?(buy or build)。這個問題從管理層面、技術層面與商...

鐵人賽 AI & Data DAY 29
從 AI 落地談 MLOps 系列 第 29

技術 Day 29 : 用於生產的 TensorFlow Extended (TFX) 實作

用於生產的機械學習系統,在 Day 28 介紹 TensorFlow Extended (TFX) 解決方案,是專門用於可擴充的高效能機器學習工作,包括建立模...

鐵人賽 AI & Data DAY 25

技術 整理6個媒體產業在機器學習應用的趨勢

在媒體、娛樂和創意產業中,機器學習與人工智能的使用越來越多。不管是管理數位內容、提供創作者新的靈感等等,這些都會是在媒體產業應用的範疇。在這些應用領域當中,對於...

鐵人賽 AI & Data DAY 28
從 AI 落地談 MLOps 系列 第 28

技術 Day 28 : 用於生產的機械學習 TensorFlow Extended (TFX) 介紹

什麼是 TensorFlow Extended (TFX) TensorFlow Extended (TFX) 是端對端平台,可部署於用於生產環境中的機器學習...

鐵人賽 AI & Data DAY 25

技術 媒體分析為公司帶來的5項好處及4個常見使用情境

近幾年,媒體產業當中,以及社群軟體的應用,使得影片、聲音和圖像這些不同形式的內容正飛速的增長。不管是在娛樂、教育和廣告,各產業正透過這些媒體與觀眾進行深度互動。...

鐵人賽 AI & Data DAY 12

技術 [Day 12] Error analysis — 錯誤中學會成長 (咩噗)

To me, error analysis is the sweet spot for improvement. — Donald A. Norman 前言...

鐵人賽 AI & Data DAY 27
從 AI 落地談 MLOps 系列 第 27

技術 Day 27 : 使用 TensorFlow Serving 部署 REST API

在網路情境常以 API 請求服務,用於生產的機械學習亦可用 REST API 形式提供服務。在Day 20、Day 21、Day 22 介紹部署在算力有限的終...

鐵人賽 AI & Data DAY 11

技術 [Day 11] 建立 Baseline — 開啟機器學習專案的第一步

A chain is only as strong as its weakest link. ― Thomas Reid 前言 今天的開頭是一句英文俗諺,它...

鐵人賽 AI & Data DAY 26
從 AI 落地談 MLOps 系列 第 26

技術 Day 26 : 公平指標與實作 Fairness Indicators

模型公平性的思考 隨著 AI 對於各領域和社會的影響逐漸增加,建立公平且可包容所有人的系統至關重要,為達到負責任的 AI,重視公平性,實踐以人為本的設計初衷...

鐵人賽 AI & Data DAY 25

技術 透過機器學習審查合約書的4個優點

根據《哈佛商業評論》分享的一項報告數據,“低效率的合約管理流程會導致公司在特定交易中損失 5% 到 40% 的價值。”,也因此,更好的合約管理可以提高效率、生產...

鐵人賽 AI & Data DAY 10

技術 [Day 10] 模型達到商業指標的挑戰 — Test set performance 的殞落

Achieving low average tested error isn't good enough for a project. 前言 昨天談到大部分...

鐵人賽 AI & Data DAY 25
從 AI 落地談 MLOps 系列 第 25

技術 Day 25 : 可解釋的 AI - Explain AI (XAI)

AI 黑箱作業已經被詬病許久,因為 AI 類神經網絡的複雜性不似機械學習的樹狀結構、線性結構容易理解中間判斷過程,但隨著可解釋 AI 技術的出現,理解模型可...

鐵人賽 AI & Data DAY 9

技術 [Day 09] 建立機器學習模型 — Andrew Ng 大神說要這樣做

AI system = Code (Algorithm/Model) + Data TL;DR 建立 ML 系統時,要把 AI system = Code ...

鐵人賽 AI & Data DAY 24
從 AI 落地談 MLOps 系列 第 24

技術 Day 24 : 負責任的 AI - Responsible AI (RAI)

當您用心呵護的機械學習終於實現,期待能滿足與提升使用者福祉,您應該有足夠的信心與能力對產品負責, AI 產品亦然。 延續系列文對您的機械學習產品生命週期的思考...

鐵人賽 AI & Data DAY 8

技術 [Day 08] 使用 fastAPI 部署 YOLOv4 (2/2) — 自行撰寫 Client 進行互動

前言 昨天我們使用了 fastAPI 內建 client 的 UI 來與 API 互動,今天我們改為利用 Python 的 requests 函式庫編寫一個最簡...