Рейтинг@Mail.ru

Жизненный цикл ML в боевых условияхBigData и машинное обучение

Доклад принят в программу конференции
Сергей Виноградов
Front Tier, РАНХиГС

Эксперт в архитектуре высоконагруженных систем, больших хранилищах и тяжелом анализе данных. Разбирается в системном проектировании, базах данных, нейросетях, финансовом мониторинге и анализе графов.

Telegram: https://t.me/bulrathi
Тезисы

В реальных внедрениях ML собственно обучение занимает от силы четверть усилий. Всё остальное время уходит на проблемы с подготовкой данных, созданием продакшн-инфраструктуры, наладкой деплоя и мониторинга. При этом, ML-комьюнити зачастую концентрируется на увлекательной алгоритмической части, оставляя "скучные" вопросы эксплуатации без внимания.

Команды с энтузиазмом бросаются на грабли, вместо того, чтобы внимательно изучить опыт компаний-пионеров и практики, выстраданные кровью и потом лучших инженеров. Мы тоже так делали в молодости, но со временем смогли стандартизировать жизненный цикл ML-модели и процессы, которые позволят катить в продакшн без приключений, а также воплотить решение в коде.

Big Data и Highload в Enterprise
,
Hadoop
,
Machine Learning
,
ETL

Другие доклады секции BigData и машинное обучение

Rambler's Top100