iT邦幫忙

mlops相關文章
共有 144 則文章
2 Like 1 留言 2443 瀏覽
鐵人賽 AI & Data DAY 30
從 AI 落地談 MLOps 系列 第 30 篇

技術 Day 30 : 綜合整理 MLOps 成熟度模型

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...

威利斯 ‧ 2021-09-30
0 Like 0 留言 759 瀏覽
鐵人賽 AI & Data DAY 25
談MLOps - 模型、專案架構、產品化及維運 系列 第 28 篇

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...

bymiachang ‧ 2021-09-29 ‧團隊能去健身房後發現硬舉退步一百公斤的五隻雞
0 Like 0 留言 1512 瀏覽
鐵人賽 AI & Data DAY 29
從 AI 落地談 MLOps 系列 第 29 篇

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...

威利斯 ‧ 2021-09-29
0 Like 0 留言 773 瀏覽
鐵人賽 AI & Data DAY 25
談MLOps - 模型、專案架構、產品化及維運 系列 第 27 篇

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...

bymiachang ‧ 2021-09-28 ‧團隊能去健身房後發現硬舉退步一百公斤的五隻雞
0 Like 0 留言 1886 瀏覽
鐵人賽 AI & Data DAY 28
從 AI 落地談 MLOps 系列 第 28 篇

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...

威利斯 ‧ 2021-09-28
0 Like 0 留言 761 瀏覽
鐵人賽 AI & Data DAY 25
談MLOps - 模型、專案架構、產品化及維運 系列 第 26 篇

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。...

bymiachang ‧ 2021-09-27 ‧團隊能去健身房後發現硬舉退步一百公斤的五隻雞
0 Like 0 留言 1766 瀏覽
鐵人賽 AI & Data DAY 12
然後模型就死在 Jupyter Notebook 了 (ಥ﹏ಥ) 系列 第 12 篇

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...

chihying ‧ 2021-09-27
0 Like 0 留言 2105 瀏覽
鐵人賽 AI & Data DAY 27
從 AI 落地談 MLOps 系列 第 27 篇

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...

威利斯 ‧ 2021-09-27
1 Like 0 留言 3757 瀏覽
鐵人賽 AI & Data DAY 11
然後模型就死在 Jupyter Notebook 了 (ಥ﹏ಥ) 系列 第 11 篇

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...

chihying ‧ 2021-09-26
0 Like 0 留言 1225 瀏覽
鐵人賽 AI & Data DAY 26
從 AI 落地談 MLOps 系列 第 26 篇

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...

威利斯 ‧ 2021-09-26
0 Like 0 留言 1133 瀏覽
鐵人賽 AI & Data DAY 25
談MLOps - 模型、專案架構、產品化及維運 系列 第 25 篇

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...

bymiachang ‧ 2021-09-25 ‧團隊能去健身房後發現硬舉退步一百公斤的五隻雞
0 Like 0 留言 1003 瀏覽
鐵人賽 AI & Data DAY 10
然後模型就死在 Jupyter Notebook 了 (ಥ﹏ಥ) 系列 第 10 篇

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...

chihying ‧ 2021-09-25
0 Like 0 留言 4091 瀏覽
鐵人賽 AI & Data DAY 25
從 AI 落地談 MLOps 系列 第 25 篇

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...

威利斯 ‧ 2021-09-25
0 Like 0 留言 2519 瀏覽
鐵人賽 AI & Data DAY 9
然後模型就死在 Jupyter Notebook 了 (ಥ﹏ಥ) 系列 第 9 篇

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 ...

chihying ‧ 2021-09-24
0 Like 0 留言 3960 瀏覽
鐵人賽 AI & Data DAY 24
從 AI 落地談 MLOps 系列 第 24 篇

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...

威利斯 ‧ 2021-09-24
0 Like 0 留言 2290 瀏覽
鐵人賽 AI & Data DAY 8
然後模型就死在 Jupyter Notebook 了 (ಥ﹏ಥ) 系列 第 8 篇

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...

chihying ‧ 2021-09-23
0 Like 0 留言 1685 瀏覽
鐵人賽 AI & Data DAY 23
從 AI 落地談 MLOps 系列 第 23 篇

技術 Day 23 : 模型分析 TensorFlow Model Analysis (TFMA)

模型分析 TFMA 介紹 過往我們關注模型的訓練結果，會追蹤該模型在每次 epochs 之後的 AUC 、 ACC、 loss 等指標變化，並且以視覺化繪圖...

威利斯 ‧ 2021-09-23
0 Like 0 留言 1063 瀏覽
鐵人賽 AI & Data DAY 22
談MLOps - 模型、專案架構、產品化及維運 系列 第 22 篇

技術 MLOps在金融產業：模型監控(資料漂移與特徵漂移)

線上模型的偏差漂移 Amazon SageMaker Clarify 偏差監控的功能可以幫助資料科學家和機器學習工程師定期監控偏差預測。這些報告可以在SageM...

bymiachang ‧ 2021-09-22 ‧團隊能去健身房後發現硬舉退步一百公斤的五隻雞
0 Like 0 留言 3691 瀏覽
鐵人賽 AI & Data DAY 7
然後模型就死在 Jupyter Notebook 了 (ಥ﹏ಥ) 系列 第 7 篇

技術 [Day 07] 使用 fastAPI 部署 YOLOv4 (1/2) — 以內建 Client 進行互動

前言 我們花了將近一周的時間來介紹部署深度學習模型背後的概念，我想大家應該很想知道究竟該怎麼實作，所以今天就來動動手吧。這部分的程式碼主要規劃為在本機端執行，所...

chihying ‧ 2021-09-22
0 Like 0 留言 6874 瀏覽
鐵人賽 AI & Data DAY 22
從 AI 落地談 MLOps 系列 第 22 篇

技術 Day 22 : 模型優化 - 知識蒸餾 Knowledge Distillation

什麼是知識蒸餾 Knowledge Distillation 知識蒸餾 Knowledge Distillation 為模型壓縮技術，其中 student 模...

威利斯 ‧ 2021-09-22
0 Like 0 留言 552 瀏覽
鐵人賽 AI & Data DAY 21
談MLOps - 模型、專案架構、產品化及維運 系列 第 21 篇

技術 MLOps在金融產業：關於ML系統監控的why, what, how

我們常常聽到，在一個ML專案當中，會需要做各種的資料監控。這些資料監控包含哪些呢？ 開發流程在開發流程當中，不管是資料、程式碼、模型，都會需要透過版本控制監...

bymiachang ‧ 2021-09-21 ‧團隊能去健身房後發現硬舉退步一百公斤的五隻雞
0 Like 0 留言 1040 瀏覽
鐵人賽 AI & Data DAY 6
然後模型就死在 Jupyter Notebook 了 (ಥ﹏ಥ) 系列 第 6 篇

技術 [Day 06] 監控、維護 — 自己開一家徵信社吧!

大家好，在開始之前先祝大家中秋節快樂~~ 監控 (Monitor) 最常見的監控方法為儀表板 (Dashboard)，依照專案可選擇適當的監控指標，而監控指標的...

chihying ‧ 2021-09-21
0 Like 0 留言 3580 瀏覽
鐵人賽 AI & Data DAY 21
從 AI 落地談 MLOps 系列 第 21 篇

技術 Day 21 : 模型優化 - 剪枝 Pruning

如果說可以讓模型縮小10倍，精度還維持水準，這是什麼巫術? 延續 Day 20 的模型優化作法，本次再結合剪枝技術做到更輕量的模型效果。 什麼是剪枝 Pru...

威利斯 ‧ 2021-09-21
0 Like 0 留言 1387 瀏覽
鐵人賽 AI & Data DAY 5
然後模型就死在 Jupyter Notebook 了 (ಥ﹏ಥ) 系列 第 5 篇

技術 [Day 05] 部署模式 — 我的模型叫崔弟

常見部署情況 根據需求不同，有不一樣的部署模式，常見的情況如下： 提供新的產品/功能：常用的設計模式為先從少量的預測開始驗證，再慢慢增加流量 (trafic)...

chihying ‧ 2021-09-20
0 Like 0 留言 980 瀏覽
鐵人賽 AI & Data DAY 20
談MLOps - 模型、專案架構、產品化及維運 系列 第 20 篇

技術 MLOps在金融產業：模型的可解釋性與公平性

有一些模型像是邏輯回歸和決策樹，背後運作的原因相當簡單明瞭，容易解釋模型是如何得出其輸出的。但隨著更多特徵的添加或更複雜的機器學習模型的使用，可解釋性變得更加困...

bymiachang ‧ 2021-09-20 ‧團隊能去健身房後發現硬舉退步一百公斤的五隻雞
0 Like 0 留言 8934 瀏覽
鐵人賽 AI & Data DAY 20
從 AI 落地談 MLOps 系列 第 20 篇

技術 Day 20 : 模型優化 - 訓練後量化 Post Training Quantization

當我們訓練模型需要部署在硬體較為受限的智慧型裝置、IOT設備，模型運算在吃緊的硬體資源中顯得笨重，此時可以採取模型優化策略改進。 量化 Quantizatio...

威利斯 ‧ 2021-09-20
0 Like 0 留言 896 瀏覽
鐵人賽 AI & Data DAY 19
談MLOps - 模型、專案架構、產品化及維運 系列 第 19 篇

技術 MLOps在金融產業：看懂金融審計如何導入ML專案(附所需文件清單)

在algorithmia的 2021 年報告顯示，大多數組織在機器學習方面面臨一定程度的監管負擔，67% 的組織必須遵守多項法規。這些法規包含ISO, OCC,...

bymiachang ‧ 2021-09-19 ‧團隊能去健身房後發現硬舉退步一百公斤的五隻雞
1 Like 0 留言 2861 瀏覽
鐵人賽 AI & Data DAY 4
然後模型就死在 Jupyter Notebook 了 (ಥ﹏ಥ) 系列 第 4 篇

技術 [Day 04] 部署模型的挑戰 — 資料也懂超級變變變!?

部署模型有兩個主要的挑戰，事實上這兩個挑戰隱含了機器學習產品生命週期裡的 "部署 (Deploy in production)" 與 &qu...

chihying ‧ 2021-09-19
0 Like 0 留言 3478 瀏覽
鐵人賽 AI & Data DAY 19
從 AI 落地談 MLOps 系列 第 19 篇

技術 Day 19 : 深度學習(神經網絡)自動建模術 - AutoMLs

隨著 ML/DL 模型研究屢有突破，現今模型訓練成果已經相當具有水準，但如果需要藉由手動選擇最佳的模型確實較花時間，因此已經出現取多自動化機械學習 AutoM...

威利斯 ‧ 2021-09-19
0 Like 0 留言 730 瀏覽
鐵人賽 AI & Data DAY 18
談MLOps - 模型、專案架構、產品化及維運 系列 第 18 篇

技術 MLOps在金融產業: 4個步驟建立安全ML環境

在前面的MLOps在金融產業：常見案例與工作流程文章當中，曾經提到，在金融業當中的MLOps可帶來的規範文件、常見工作流程。 今天將針對提供安全的機器學習環境來...

bymiachang ‧ 2021-09-18 ‧團隊能去健身房後發現硬舉退步一百公斤的五隻雞
iThome鐵人賽
參賽組數
1123 組
團體組數
52 組
累計文章數
23096 篇
完賽人數
656 人
iT+看影片追技術 看影片追技術 看更多
熱門tag 看更多
15th鐵人賽 13th鐵人賽 14th鐵人賽 12th鐵人賽 11th鐵人賽 鐵人賽 2019鐵人賽 2018鐵人賽 javascript 2017鐵人賽 python windows php c# windows server linux css react 程式設計 vue.js
熱門問題
熱門回答
熱門文章
IT邦幫忙