Прежде чем перейти к статье, хочу вам представить, экономическую онлайн игру Brave Knights, в которой вы можете играть и зарабатывать. Регистируйтесь, играйте и зарабатывайте!
Всем привет!
1 июля мы проводим митап про построение MLOps процессов и обеспечение воспроизводимости ML решений в продакшн. Участие бесплатное по предварительной регистрации по ссылке.
Вместе с экспертами из Циан, Lamoda, Озон, Одноклассники, Мегафон поделимся опытом развития MLOps платформ, обсудим распространенные фреймворки для управления экспериментами, подходы к выкатке моделей в продакшн, автоматизации переобучения и мониторинга качества моделей. Отдельно затронем тему работы нейросеток (для CV и не только) в продакшн.
Программа митапа:
«Data Science в Циан. Предпосылки для развития MLOps процессов», — Александр Алексейцев, Head of Data Science, Циан
Расскажет, какие проблемы решаем с помощью машинного обучения в Циан. Почему для нас важны хорошие MLOps процессы.
«ML-платформа в Циан», — Олег Дементьев, Team Lead разработки ML-платформы, Циан
Расскажет про жизненный цикл моделей. Логирование артефактов и метрик. Автогенерацию микросервиса для каждой модели. Автоматизацию обучения и деплоя моделей и интеграцию этих процессов в ETL-пайплайны.
«Как мы в Lamoda поднимали MLOps стек», — Роман Тезиков, Senior Data Scientists (CV), Lamoda
Расскажет про жизненный цикл моделей CV в Lamoda. С помощью каких инструментов мы обеспечиваем воспроизводимость и безопасность. Как проводим эксперименты, логгируем и отбираем лучшие модели.
«Оптимизация процессов разработки и эксплуатации моделей Data Science подразделения с помощью MLOps», — Максим Кожевников, Head of Data Science, Мегафон
Расскажет про собственный MLOps фреймворк, который разработали для улучшения процессов разработки ML-моделей в команде Мегафон, состоящей из нескольких десятков Data Scientist.
«Машинное обучение в продакшене — это просто?»,— Михаил Марюфич, Старший инженер по машинному обучению, Одноклассники
Расскажет, насколько просто может быть устроен процесс работы машинного обучения в продакшене, и почему это не работает, когда у вас сотни моделей и ответственность перед миллионами пользователей.
«Такой разный озон: пять фактов о газе, который может...», — Глеб Крапивин, ML Platform Lead, Озон
Расскажет о собственном DSL для запуска задач на разных кластерах, сервисах для трекинга метрик и версионирования артефактов машинного обучения и о том, как это помогает математикам тестировать свой код.
Когда: 1 июля 17:00
Где: офлайн и онлайн.
Для участия зарегистрируйтесь по ссылке.
Кому будет интересно:
MLOps для обмена опытом.
TeamLeads ML-команд. Вы узнаете, какие роли могут быть в команде, и как их грамотно распределить.