Как мы выбирали платформу машинного обучения для заказчика BigData и машинное обучение
Программный комитет ещё не принял решения по этому докладу
Тезисы
Год назад мы выбирали open-source платформу машинного обучения для заказчика, чтобы их специалисты (а так же специалисты IBM) могли вести коллаборационную работу в совместных data science проектах.
В докладе будет рассказано про основные решения, которые были рассмотрены нами в качестве кандидатов, их минусы и плюсы. Перечислены основные выученные уроки, подводные камни и функциональные требования, выведенные нами к ходе работы над данным проектом.
Александр Решитько
IBM
Программный архитектор в когнитивной практике IBM Россия. Специализируюсь на AI и Big Data решениях
Другие доклады секции BigData и машинное обучение
Нечеткое хэширование для детектирования спам-писем
Алексей Марченко
Лаборатория Касперского
Data-centric MLOps
Дмитрий Евстюхин
Provectus
Как решить проблемы оркестрации сотен задач по обработке данных с помощью Apache Airflow?
Владимир Баев
Grid Dynamics
Человек-вектор и подъем конверсии: как мы сделали шаг к Federated Learning
Артем Просветов
CleverDATA / ЛАНИТ
Как подключить к Apache Spark проприетарный источник данных: теория, практика, грабли, костыли
Александра Белоусова
Яндекс.Go
Геопространственное моделирование с применением методов машинного обучения
Константин Измайлов
Delivery Club
DeepQuarantine for Suspicious Mail
Никита Бенькович
Лаборатория Касперского