iT邦幫忙

鐵人檔案

2021 iThome 鐵人賽
回列表
AI & Data

談MLOps - 模型、專案架構、產品化及維運 系列

把一個ML模型從研發階段進展到產品階段,需要有多少的關卡需要突破?這30天讓我們一起看幾個案例,從團隊、技術、流程三個方面思考,MLOps(Machine Learning Operations)的範疇以及實作過程會遇到的困難。除了案例分享之外,筆者也收集幾個客戶的常見問題,讓大家一起來想想,為什麼會有這些問題,可能的解法有哪些等等。讓大家在學習之餘,也透過別人的發問,反思自己目前在開發上遇到的狀況。

DAY 1

學習MLOps前暖身操:why, what, who?

接下來的30天,我們會一起看MLOps的更多層面。從為什麼產業開始談MLOps開始,以及其包含的技術與非技術面。今天我想談的是關於學習mlops前必備的3個背景...

2021-09-01 ‧ 由 bymiachang 分享
DAY 2

3面向談ML產品與軟體產品的相異處

在過去的5-7年當中,ML已經不再只限於研究人員能夠接觸、使用,越來越多的AI/ML工具以及產品出現,使得能夠談論這個領域的人變多了,踏入ML工作的門檻也逐漸降...

2021-09-02 ‧ 由 bymiachang 分享
DAY 3

寫給MLOps人才培育苦手 | MLOps落地指南 - 團隊篇

當理解MLOps的定義、以及ML專案與軟體專案的差別之後,接下來我想談談如何再把MLOps往下切分成幾個面向,讓公司的決策人員能夠從大方向往下切分細節,開始落地...

2021-09-03 ‧ 由 bymiachang 分享
DAY 4

為什麼87% 的資料科學專案沒辦法產品化? | MLOps落地指南 - 技術篇

“為什麼87% 的資料科學專案沒辦法產品化?”在Transform 2019 of VentureBeat[1] 的一篇報導給予了這樣的宣告。這並不是一個小數字...

2021-09-04 ‧ 由 bymiachang 分享
DAY 5

MLOps 帶給商業與技術流程的5個好處與13個指標 | MLOps落地指南 - 流程篇

MLOps除了ML之外,另一部分則是DevOps(develop operations)。事實上,技術的運作(operation)與商業的運作是密不可分的。其中...

2021-09-05 ‧ 由 bymiachang 分享
DAY 6

從AWS技術白皮書看MLOps解決方案

在談過MLOps在廣泛的定義,以及拆分成團隊、技術、流程三個面向之後。想必大家也開始思考,一個好的專案和解決方案應該要長什麼樣子,有沒有哪些規範可以參考、有沒有...

2021-09-06 ‧ 由 bymiachang 分享
DAY 7

ML專案的特徵工程為什麼存在?包含哪些層面?怎麼練手感?

在討論MLOps的過程當中,許多客戶會針對他們有興趣的事情提出不同的問題,像是:模型監測、安全性、常見案例、資料的隱私處理等等。其中一次在談論AWS的ML Le...

2021-09-07 ‧ 由 bymiachang 分享
DAY 8

MLOps專案關於安全性與合規性的10件注意事項

在ML的專案中,從資料的收集、建構模型、測試到部署到產品。這個流程除了需要自動化之外,也需要保有該行業或者市場所需的規範。從企業的管理層面來說,知道要把模型的建...

2021-09-08 ‧ 由 bymiachang 分享
DAY 9

DevOps在MLOps當中的角色

我們在前面的寫給MLOps人才培育苦手談論到MLOps是一個需要大家通力合作的一項專案,除了該專案帶來資訊和商業的影響力,在技術上也屬於比較前緣、大部分的團隊都...

2021-09-09 ‧ 由 bymiachang 分享
DAY 10

案例:在AWS上透過SageMaker跟CodePipeline駕馭MLOps的參考架構(上)

在經歷了幾篇的MLOps基礎概念之後,想在後面的文章帶大家看看幾個案例。透過案例來學習,會對專案在技術上的架構全貌更清楚。今天選的案例是這篇:Taming Ma...

2021-09-10 ‧ 由 bymiachang 分享