Gépi tanulási műveletek (MLOps)
A gépi tanulási munkafolyamatok automatizálásának, együttműködésének és megismételhetőségének felgyorsítása
Több ezer modell egyszerűsített üzembe helyezése és kezelése éles környezetekben – a helyszíni környezettől a peremhálózatig
Teljes mértékben felügyelt végpontok kötegelt és valós idejű előrejelzésekhez a modellek gyorsabb üzembe helyezése és pontszámozása érdekében
Megismételhető folyamatok a gépi tanulási munkafolyamatok automatizálásához a folyamatos integráció és folyamatos terjesztés (CI/CD) érdekében
Folyamatosan monitorozza a modellteljesítmény-metrikákat, észleli az adatsodródást és elindítja az újbóli betanítást a modell teljesítményének javítása érdekében
Innováció gyors szolgáltatása
Az MLOps (gépi tanulási műveletek vagy gépi tanuláshoz készült DevOps) személyek, folyamatok és platformok metszetét jelenti, amellyel üzleti értéket lehet teremteni a gépi tanulásból. Leegyszerűsíti a fejlesztést és az üzembe helyezést a gépi tanulási modellek figyelésével, ellenőrzésével és irányításával.
Gépi tanulási munkafolyamatok és modellek létrehozása
Adathalmazok és bőséges modellregisztrációs adatbázisok használatával nyomon követheti az adategységeket. Fokozott követhetőséget tehet lehetővé a kódok, adatok és metrikák követésével a futtatási előzményekben. Gépi tanulási folyamatok létrehozásával megtervezhet, üzembe helyezhet és kezelhet reprodukálható modell-munkafolyamatokat a konzisztens modellszolgáltatás érdekében.
Könnyedén üzembe helyezhet rendkívül pontos modelleket bárhol
Gyors és megbízható üzembe helyezést végezhet. Az online végpontok használatával hatékony CPU- és GPU-képességekkel rendelkező gépeken helyezheti üzembe a modelleket anélkül, hogy a mögöttes infrastruktúra kezelésével kellene foglalkoznia. Gyorsan becsomagolhatja a modelleket, és minden lépésben magas minőséget biztosíthat a modellprofil-készítési és az érvényesítési eszközök használatával. Szabályozott kibocsátás használatával éles környezetbe léptetheti a modelleket.
A teljes gépi tanulási életciklus hatékony kezelése
Az Azure DevOps-szal és a GitHub Actionszel való beépített integráció használatával zökkenőmentesen kezelheti és automatizálhatja a munkafolyamatokat. Optimalizálhatja a modellbetanítási és üzembe helyezési folyamatokat, buildelhet úgy, hogy a CI/CD segítse az újrabetanítást, valamint könnyedén beillesztheti a gépi tanulást a meglévő közzétételi folyamatokba. A speciális sodródási elemzések használatával az idő előrehaladtával fokozatosan fejlesztheti a modellek teljesítményét.
Cégirányítás megvalósítása az adategységek között
Az auditálhatóság érdekében nyomon követheti a modell verzióelőzményeit és életútját. Számítási kvótákat állíthat be az erőforrásokhoz, és szabályzatokat alkalmazhat annak érdekében, hogy eleget tegyen a biztonsági, adatvédelmi és megfelelőségi szabványoknak. A speciális funkciók használatával teljesítheti a cégirányítási és vezérlési célokat, és elősegítheti a modellek átláthatóságát és semlegességét.
Kihasználhatja az MLflow-val való együttműködési képesség előnyeit
Rugalmas és biztonságosabb, teljes folyamaton átívelő gépi tanulási munkafolyamatokat hozhat létre az MLflow és az Azure Machine Learning használatával. Zökkenőmentesen skálázhatja meglévő számítási feladatait helyi végrehajtásból az intelligens felhőbe és a peremhálózatra. A központosított Azure Machine Learning-munkaterületen tárolhatja MLflow-kísérleteit, futtathat metrikákat, paramétereket és modell-munkadarabokat.
Az együttműködésen alapuló MLOps felgyorsítása több munkaterületen
A regisztrációs adatbázisokkal lehetővé teheti a munkaterületek közötti együttműködést és az MLOps-t. A gépi tanulási eszközöket egy központi helyen üzemeltetheti, így azok elérhetők lesznek a szervezet összes munkaterülete számára. A modelleket, a környezeteket, az összetevőket és az adathalmazokat ajánlhatja, megoszthatja és felderítheti minden csapat számára. A folyamatokat újra felhasználhatja, a más csapatok által létrehozott modelleket pedig más munkaterületeken is üzembe helyezheti az életút és a nyomon követhetőség megőrzése mellett.
Erőforrásközpont
Tekintse meg a gépi tanulási műveleteket működés közben
Gépi tanulási folyamatok létrehozása modellalapú munkafolyamatok tervezéséhez, üzembe helyezéséhez és kezeléséhez
Gépi tanulási folyamatok létrehozása modellalapú munkafolyamatok tervezéséhez, üzembe helyezéséhez és kezeléséhez
Gépi tanulási folyamat automatizálása
Sam adattudós egy online divatkereskedőnél. A cég nemrég elkezdett gépi tanulást használni, hogy időben adott és pontos ajánlásokat biztosítson, így az ügyfelek elégedettsége és az értékesítés is javult.
Katalógusfrissítés után Samet arra kérték, hogy frissítse a márka ajánlási modelljét – de senki sem tudja, honnan van a jelenlegi modell. Sam ezért az Azure Machine Learning segítségével létrehoz egy reprodukálható és nyomon követhető munkafolyamatot.
Sam egy online kereskedő adattudósa, akinek feladata, hogy frissítse a katalógusfrissítés után a cég javaslati modelljét. Hiába keresi a modell folyamatát, ugyanis senki nem tudja, az honnan származik.
San így az Azure ML-hez fordul, hogy egy nyomon követhető modell-munkafolyamatot készíthessen.
Az Azure Machine Learning használata meglévő eszközeivel
Sam az Azure Machine Learning SDK használatával helyezi át Jupyter Notebook-alapú munkáját az Azure Machine Learningbe, kihasználva a skálázási és együttműködési funkcióit. Választott keretrendszerét használva verziószámozza a betanítási kódot és az adathalmazokat, és egy nyomon követhető kísérlethez csatolja őket.
A metrikák rögzítése minden futtatott kísérlet során
Mindig, amikor Sam futtat valamit, az Azure Machine Learning nyomon követi a futtatás metrikáit, és naplózza a futtatást felülvizsgálat céljából. Ez a művelet rögzíti a bemeneteket (pl. adathalmazokat, kódot és paramétereket) és a kimeneteket (pl. naplókat, metrikákat és modelleket) értékelés és összehasonlítás céljából.
Modellek és kísérletek áttekintése a munkaterületen
Bár Sam továbbra is a notebookos környezetében dolgozik, csapata az Azure Machine Learning stúdió használatával egyszerűen visszakövetheti a folyamatot a végső modelltől a modellregisztrációs adatbázisban, a létrehozásához felhasznált minden adategységen és lépésen keresztül.
Újrahasználható folyamatok létrehozása a hatékonyság és a konzisztencia érdekében
Sam létrehoz egy újrahasználható gépi tanulási folyamatot egy modellbetanítási folyamat szolgáltatásához, valamint a folyamat automatikus triggereléséhez a forrásadatok módosítása esetén. Szükség szerint újból felhasználhatja a lépések eredményét a bemenetek módosítása nélkül.
Megismételhető gépi tanulási folyamatok készítése
Sam reprodukálható és nyomon követhető munkafolyamatot hozott létre az Azure Machine Learning használatával. A csapat által létrehozott modellek mostantól egy kísérleti futtatáshoz vannak csatolva felülvizsgálat és iteráció céljából. A reprodukálható folyamatokkal Sam lehetővé teszi, hogy az Azure Machine Learning automatizálja az újratanítást, miközben ő a következő fontos teendőre összpontosíthat.
Az Azure Machine Learning a reprodukálhatóság és a nyomonkövethetőség révén nagyvállalati szintű gépi tanulási folyamatokat hozhat létre. Ez egységesebb modellszolgáltatást eredményez, kisebb varianciával és nagyobb hibatűréssel.
További információ a gépi tanulási folyamatokról Keresse meg ezt a demót a GitHub-adattárban
Az Azure ML kihasználásával Sam egy megismételhető és nyomon követhető munkafolyamatot hozott létre. A csapat által létrehozott modellek egy kísérlet futtatásához vannak kötve, a csapat így könnyebben tekintheti át ezeket és végezhet iterálást. Egy megismételhető folyamattal Sam az Azure ML-re bízhatja az ismételt betanítás automatizálását, ő pedig a következő projektre összpontosíthat.
Az Azure ML megismételhetőségének és nyomon követhetőségének köszönhetően nagyvállalati szintű gépi tanulási folyamatokat készíthet. Így konzisztensebbé teheti a modellszolgáltatást, csökkentheti a változékonyságot, és megnövelheti a hibatűrést.
További információ a gépi tanulási folyamatokról Keresse meg ezt a demót a GitHub-adattárban
Gyorsan és magabiztosan üzembe helyezheti az automatikus skálázást és a felügyelt és elosztott dedukciós fürtöket
Gyorsan és magabiztosan üzembe helyezheti az automatikus skálázást és a felügyelt és elosztott dedukciós fürtöket
Webszolgáltatási végpont üzembe helyezése egy modellhez
Sam adattudós egy online divatkereskedőnél, aki hozzáadta az Azure Machine Learninget munkafolyamatához, hogy jobb modelleket készíthessen. Automatizált folyamata éppen most regisztrált egy végleges modellt, hozzá csatolt kísérleti eredményekkel együtt, amelyek jobb teljesítményt mutatnak.
A webfejlesztői csapat nem biztos abban, hogyan ágyazzon be egy gépi tanulási modellt a webalkalmazásba, és helyette egy webszolgáltatást kért. Sam az Azure Machine Learninget hívja segítségül, hogy webszolgáltatási végpontot adhasson a modelljéhez.
Sam adattudós egy online kereskedőnél, aki az Azure ML használatával létrehozott és regisztrált egy modellt. A webfejlesztői csapata most egy webes végpontot kért tőle a modell dedukcióhoz való meghívásához. Sam az Azure ML használatával hozza létre ezt a webszolgáltatás-végpontot.
A legújabb modell lekérése és profilkészítés az éles üzemhez
Sam beolvassa a legújabb modellt a regisztrációs adatbázisból, és profilt készít, hogy lássa, milyen erőforrásokra lehet szüksége éles környezetben.
A modell leküldése az Azure Container Instancesnek
A profilozási adatokkal a kezében Sam az Azure Machine Learning használatával becsomagolja a modellt egy tárolóba, és üzembe helyezi az Azure Container Instancesben valós idejű vagy kötegelt dedukció céljából. Üzembe helyezés után Sam kihasználja az Azure Machine Learning automatikus sémagenerálási és monitorozási funkcióit.
Üzembe helyezés méretezhető, változatos végpontokon, és A/B-tesztelés megvalósítása
Sam mindössze néhány sornyi kóddal leküldi ugyanazt a modellt egy skálázhatóbb Azure Kubernetes Service (AKS) példányra, és speciális A/B tesztelési funkciókat biztosít az új modell ellenőrzéséhez. Mostantól bárhol üzembe helyezhet modelleket, ahol szükség van rájuk, a felhőtől a peremhálózatig, olyan számítási lehetőségek használatával, mint például a CPU, a GPU és az FPGA.
Az üzembe helyezett modell használatának engedélyezése a webfejlesztői csapat számára
A modell AKS-be való üzembe helyezése után a webfejlesztői csapat hozzáfér a webszolgáltatási végponthoz, amelyet meghívnak az alkalmazásukból valós idejű vagy kötegelt dedukciós célokból. Sam monitorozza a modell végpontját sodródási és egyéb metrikák alapján, amelyek szükség szerint auditálhatók.
Modellek közzététele a szükséges helyen
Sam éles üzemre kész webszolgáltatássá alakította a nyílt forráskódú modellt a fejlesztői csapata számára. A modellfejlesztésre összpontosított ahelyett, hogy elsajátította volna a szolgáltatásüzemeltetéshez szükséges számos technológiát (például a Kubernetes, Flask és Swagger).
Az Azure Machine Learning segít zökkenőmentesen áthelyezni a modelleket kidolgozott és teljes funkcionalitású webszolgáltatásokba, ami lehetővé teszi, hogy gyorsan adoptálhatóak legyenek alkalmazásokba.
Ismerje meg, hogyan helyezhet üzembe modelleket az Azure Machine Learninggel
Az Azure ML segítségével Sam a nyílt forráskódú modellből gyorsan egy éles üzemre kész webszolgáltatást készített, amelyet már használhatnak is a fejlesztők. Adattudósként képes volt a feladat hangsúlyát a modellfejlesztésen tartani ahelyett, hogy gyorsan megpróbálta volna elsajátítani a szolgáltatások üzemeltetéséhez szükséges technológiákat (mint a Kubernetes, a Flask és/vagy a Swagger).
Az Azure ML segítségével az adattudósok zökkenőmentesen készíthetnek fejlett és teljes körű webszolgáltatásokat a modellekből, amelyek így gyorsan felhasználhatók alkalmazásokban is.
Ismerje meg, hogyan helyezhet üzembe modelleket az Azure Machine Learninggel
Együttműködés az Azure DevOps és a GitHub Actions között a gépi tanulási munkafolyamatok automatizálása érdekében
Együttműködés az Azure DevOps és a GitHub Actions között a gépi tanulási munkafolyamatok automatizálása érdekében
Integrálás a DevOps-munkafolyamattal
Sam adattudós egy online divatkereskedőnél, aki az Azure Machine Learning használatával hozta létre és helyezte üzembe modelljeit. Nemrégiben közzétette a modelljét az Azure Kubernetes Service (AKS) egy éles környezeti példányában, és a webes csapat integrálta azt a webalkalmazásba, ígéretes eredményeket tapasztalva.
Rebecca, aki az üzemeltetési csapat tagja, szeretné biztosítani, hogy a modell buildje és üzemelő példánya is része legyen a DevOps-munkafolyamatoknak. Sam nem biztos abban, hogyan kellene ezeket beépíteni, ezért képzést biztosít Rebeccának az Azure Machine Learningről, és együttműködve meghatározzák, hogy miként lehetne mindkettejük elvárásainak eleget tenni.
Sam, az adattudós nemrég az Azure ML-t használta modellek létrehozására és üzembe helyezésére. Közzétett egy modellt az éles AKS-példányukon. Rebecca szeretné integrálni a DevOps-munkafolyamatokkal. Sam az Azure ML-hez irányítja Rebeccát.
Új kiadási folyamat létrehozása az Azure Pipelines szolgáltatással
Rebecca létrehoz egy folyamatot az Azure Pipelinesban az üzembe helyezési folyamat automatizálásához. A folyamat első lépése olyan feladatokat végez el, mint a modell buildelése minden függőséggel együtt, és hibák keresése. A folyamat automatikus triggereléséhez Rebecca összeköti azt az Azure Machine Learning modellregisztrációs adatbázisával, ezzel biztosítja, hogy a folyamat elindul, ha egy új modell, vagy a modell új verziója regisztrálva van.
A modell közzététele az érvényesítéshez
Rebecca hozzáad egy feladatot a modell Azure Container Instancesben való közzétételéhez, az éles környezetbe kerülés előtti ellenőrzés céljából. Az Azure CLI használatával kommunikál az Azure Machine Learninggel, így hozzáférése van ugyanazokhoz a funkciókhoz a saját eszközein belül, mint amelyek Samnek rendelkezésre állnak a notebookján. Ez a lépés az integrációs teszteket utánozza az alkalmazásuk DevOps-folyamataiban.
A modell áthelyezése éles környezetbe ellenőrzéskor
Rebecca hozzáad egy kibocsátási folyamatot a modell éles környezeti üzembe helyezéséhez az AKS használatával. Mielőtt ez a feladat aktiválódna, Rebecca konfigurál egy átjárót, amely egy csapatvezető vagy menedzser értékelését és jóváhagyását igényli a folytatáshoz. Ezzel biztosítja, hogy a folyamat ne okozzon számottevő zavart, ha egy problémát nem vettek észre a szkriptes ellenőrzés során.
Sodródásészlelés beállítása újratanítás triggereléséhez
Miközben Rebecca beállítja az automatizált folyamatot a modellek üzembe helyezésére, Sam engedélyezi a sodródásmonitorozást az Azure Machine Learning használatával. A szolgáltatáshasználat monitorozásával láthatja, hogy az éles környezeti dedukciós kérelmek eltérést mutatnak-e a betanítási adathalmazhoz képest, ami újratanítás szükségességét jelzi elő.
A szolgáltatás stabilitásának és teljesítményének figyelése
Az Application Insights, az Azure Monitor egyik funkciója használatával Rebecca monitorozza a szolgáltatás műveleteit, például a kérelmek számát, az AKS-fürt terhelését és a válaszadási késést, míg Sam a modell teljesítményét monitorozza annak megítélése érdekében, hogy kell-e optimalizációt végeznie.
Egyszerűsített modell-munkafolyamat létrehozása
Rebecca beépítette az Azure Machine Learninget a DevOps-munkafolyamatába, a kiadás automatizálásától kezdve az éles környezeti monitorozásig. Amíg szemmel tartja a szolgáltatás működését, Sam monitorozza és kezeli a modell teljesítményét, és szükség szerint optimalizálja a modellt.
Az Azure Machine Learning segít beemelni az adattudományt a szervezet DevOps-folyamataiba, ezáltal megbízhatóbb és hatékonyabb gépi tanulási projektekre tehet szert.
Az Azure ML-t zökkenőmentesen integrálták Rebecca meglévő DevOps-folyamatába, a kiadás automatizálásától az éles üzem figyeléséig, és natív integrációt nyújtottak a meglévő eszközöknek (például az Azure DevOpsnak és az Azure App Insightsnak). És amíg Rebecca foglalkozik a szolgáltatásműveletekkel, Sam az Azure ML eszközeivel figyeli és kezeli a modellteljesítményt, illetve igény szerint optimalizálja azt.
Az Azure ML-lel az adattudomány kiemelkedő helyet foglalhat el szervezete meglévő DevOps-folyamataiban, így megbízhatóbb és robusztusabb gépi tanulási projekteket készíthet.
A cégirányítás és a költségkezelés javítása a gépi tanulási projektekben
A cégirányítás és a költségkezelés javítása a gépi tanulási projektekben
Gépi tanulási modell irányításának engedélyezése
Phil informatikai menedzser egy online divatkereskedőnél, és lelkesen fogadta az adattudományi és üzemeltetési csapatok munkáját az Azure Machine Learninggel.
Habár Phil felelős a cég informatikai infrastruktúrájáért, nem biztos abban, hogy mi található éles környezetben, kinek van hozzáférése vagy mennyibe fog kerülni. Úgy dönt, az Azure Machine Learninget hívja segítségül, hogy jobban eleget tehessen cégirányítási felelősségének.
Phil, egy online kereskedő informatikai menedzsere izgatottan figyeli Sam és Rebecca munkáját. Azonban Phil felelős az IT-infrastruktúráért, és nem tudja, hogyan biztosíthatná a cégirányítást az ML-projekt esetében. Az Azure ML képében talál segítséget.
Modellek áttekintése éles környezetben
Phil az Azure Machine Learning használatával auditálja az éles környezeti végpontokat. Lehetősége van visszanavigálni a mögöttes modellekhez és kísérletekhez, valamint a modell magyarázatainak és semlegességi elemezéseinek kimeneteihez is. Ez biztosítja, hogy a modell létrehozási folyamatának minden lépését visszaköveti, és lehetővé teszi a modell torzítás szempontú auditálását.
Az auditnaplók áttekintése a részletes modellelőzményekért
Phil hozzáfér az Azure Machine Learning auditnaplóihoz. A modellekben és kísérletekben talált követhetőséget részletes naplóval egészíti ki, amely nyomon követ minden műveletet (dátum, idő és felhasználó). Ezek a naplók segítenek Philnek nyomon követni a szolgáltatásban vagy a szolgáltatás által kezdeményezett műveleteket a szervezeti szintű felelősségre vonhatóság érdekében.
A munkaterület biztonságossá tétele az Azure identitás- és hozzáférés-kezelés funkciójának használatával
Phil az Azure-beli identitás- és hozzáférés-kezelési megoldásokkal kezeli az Azure Machine Learning-munkaterület hozzáféréseit. Beépített és egyéni szerepkörök használatával korlátozza, hogy a felhasználók mely feladatokat hajthatják végre, valamint szabályozza az erőforrásokhoz való hozzáférést.
Az elszámoltathatóság biztosítása Azure-erőforrásokkal
Phil a kvóta funkcióval konfigurálja az erőforrások korlátait és megosztását. Ez segít abban, hogy kezelhesse a kiadásokat, irányíthassa a költségeket és biztosíthassa az egyenlő erőforrás-terhelést a csapatok között. Továbbá ez felelősségre vonhatóságra ösztönzi a megfelelő projektcsoportokat is.
Modellirányítás és -megfelelőség megvalósítása
Phil mostantól láthatja, hogy mi található az éles környezetben, és gondoskodhat a szervezet megfelelőségéről az auditálás, a szerepköralapú hozzáférés-vezérlés és a kvótakezelés segítségével. Számára pozitív, hogy az Azure Machine Learning nem csak az adattudományi és az üzemeltetési csapatokat támogatja, hanem a számára szükséges vállalati szintű irányítási funkciókat is biztosítja.
Az Azure Machine Learning biztosítja azt a szervezeti szabályozást, amely alapvetően szükséges a gépi tanulási projektek sikerességéhez és fokozott biztonságához.
Azure Machine Learning monitorozása Az Azure Machine Learning költségeinek megtervezése és kezelése
Phil hálás, amiért az Azure ML nemcsak az adattudományi és műveleti csapatot támogatja, hanem nagyvállalati szintű cégirányítási funkciókat is nyújt, amelyek megkönnyítik a feladatait. Pontosan láthatja az éles üzem elemeit, a naplózással, a szerepköralapú hozzáférés-vezérléssel és a kvótakezeléssel pedig szervezeti szintű megfelelőséget biztosíthat.
Az Azure ML a gépi tanulási projektek sikeréhez és biztonságához elengedhetetlen szervezeti vezérlőket nyújtja.
Azure Machine Learning monitorozása Az Azure Machine Learning költségeinek megtervezése és kezelése
Beépített átfogó biztonság és megfelelőség
-
A Microsoft több mint USD 1 milliárdot költ évente a kiberbiztonsággal kapcsolatos kutatás-fejlesztési projektekre.
-
Több mint 3,500 biztonsági szakértőnk dolgozik azon, hogy megfelelő szintű adatbiztonságot és adatvédelmet nyújthassunk Önnek.
-
Az Azure minden más felhőszolgáltatónál több tanúsítvánnyal rendelkezik. Tekintse meg átfogó listánkat.
Tegye meg az első lépéseket egy ingyenes Azure-fiókkal
Kezdje az ingyenes próbaverzióval. 30 napon belül $200 kreditet használhat fel. Amíg rendelkezik kreditekkel, számos népszerű szolgáltatásunkhoz ingyenesen juthat hozzá, valamint több mint 40 egyéb, mindig ingyenes szolgáltatást is használhat.
Miután elfogytak a kreditek, váltson át használatalapú fizetésre, hogy folytathassa a fejlesztést ugyanezekkel az ingyenes szolgáltatásokkal. Csak akkor kell fizetnie, ha az ingyenes havi összegnél többet használ.
12 hónap elteltével továbbra is több mint 40 mindig ingyenes szolgáltatást kap, és továbbra is csak az ingyenes havi összegen túli használatért kell fizetnie.
Ismerje meg, hogy az ügyfelek hogyan szolgáltatnak értéket gépi tanulási műveletek segítségével
FedEx
Bikram Virk, termékmenedzser, AI és gépi tanulás, FedEx"Customers expect timely and accurate information on their packages and a data-based delivery experience. We're helping FedEx stay on the leading edge with Azure Machine Learning, and we're building expertise for future projects."
BRF
Alexandre Biazin, technológiai igazgató, BRF"We're scaling with automated machine learning in Azure and MLOps capabilities in Azure Machine Learning so that our 15 analysts can focus on more strategic tasks instead of the mechanics of merging spreadsheets and running analyses."
Nestle
Ignasi Paredes-Oliva, vezető adattudós, Nestlé Global Security Operations Center"MLOps is at the core of our product. Because of its reproducible ML pipelines, ...registered models, and automatic model scoring, we're definitely detecting things that we missed before. Which, in terms of risk management, is really, really important."
PepsiCo
Michael Cleavinger, vásárlói adatelemzési, adatelemzési és speciális elemzési igazgató, PepsiCo"We've used the MLOps capabilities in Azure Machine Learning to simplify the whole machine learning process. That allows us to focus more on data science and let Azure Machine Learning take care of end-to-end operationalization."
További MLOps-források
Első lépések
Tanulás
Teljes körű MLOps – képzési tervBlog
- Az MLOps egységesítése a Microsoftnál
- Az MLOps fejlettségi modelljének fogalmai
- Az Azure Machine Learning kiváló eredményeket ér el a nagyvállalati felkészültségben
- A gépi tanulási rendszerek tesztelésének művészete
- A gépi tanulási rendszerek robusztusságának tesztelése
- Gépi tanulási rendszerek méretezhetőségének tesztelése
- Gépi tanulási rendszerek biztonságának tesztelése