MLOps, часть III: критерии выбора инструментов и возможности Open Source

Деньги любят техно

Вміст надано VTB Bank. Весь вміст подкастів, включаючи епізоди, графіку та описи подкастів, завантажується та надається безпосередньо компанією VTB Bank або його партнером по платформі подкастів. Якщо ви вважаєте, що хтось використовує ваш захищений авторським правом твір без вашого дозволу, ви можете виконати процедуру, описану тут https://uk.player.fm/legal.

1y ago 48:44

MP3•Головна епізоду

Машинное обучение так или иначе уже применяется в компаниях самых разных масштабов и направлений деятельности. Однако для выстраивания зрелой ML-инфраструктуры и перехода к эффективным MLOps-практикам требуется понимание: с чего начать, на какие платформы обратить внимание, к каким инструментам присмотреться внимательнее, а какие подойдут лишь для разовых экспериментов.

К инструментам MLOps для больших исследовательских и бизнес-задач предъявляется три базовых требования: интерпретируемость, воспроизводимость, надёжность. Как среди десятков Open-Source-инструментов выбрать правильные, что могут или не могут использовать компании, к которым предъявляются высокие требования стандартизации, на чем должен основываться выбор между облаками и InHouse для ML — в третьем выпуске серии MLOps обсудили Юрий Карев, руководитель управления процессов и стандартов моделирования и машинного обучения ВТБ, и Алексей Незнанов, к.т.н, старший научный сотрудник международной лаборатории интеллектуальных систем и структурного анализа НИУ ВШЭ.

Подпишитесь, чтобы не пропустить новые эпизоды сезона Data Science в подкасте «Деньги любят техно».

Дополнительные материалы:

Ссылки на полезные ресурсы к этому эпизоду ищите в нашем блоге на Хабр: https://habr.com/ru/companies/vtb/news/778270/

53 епізодів

#Бизнес #Образование #VTB Bank #Machine Learning #Data Science #Science #Bigdata #Datascience #Bankingtech #Business #Cybersecurity #Data #Fintech #Security #Technology #Технологии