Собственная централизованная платформа MLOps: от R&D до инференса в едином контуре
Доклад принят в программу конференции
Целевая аудитория
Тезисы
Доклад будет состоять из двух частей: бизнес-ценность создания собственной централизованной платформы MLOps, устройство команды/ процессов вокруг нее и ее техническая реализация.
В рамках первой части доклада расскажем про плюсы и минусы и экономику внедрения MLOps у нас в компании: time-to-market выкатки моделей в прод сократился в 1.5 раза, и требует в 1.9 раза меньше ресурсов. А также как устроены процессы MLOps: воркфлоу продуктивизации новой модели и как мы делим роли между командами.
В рамках второй части доклада мы расскажем про техническое устройство нашей платформы на базе KubeFlow (+Jenkins, Docker, JFrog). Почему такой стек лучше подходит для наших целей, чем классический AirFlow+K8s. Как все этапы выкатки модели мы запихнули в одно пространство.
Senior ML Engineer в ЛеманаПро | Автор курса MLOps.Начало на Stepik | Преподаватель Факультета Компьютерных Наук ВШЭ | Председатель экзаменационной комиссии магистрской программы Искусственный интеллект | Научный руководитель
Лемана ПРО (Леруа Мерлен)
Руководитель практики ML/AI
Лемана ПРО (Леруа Мерлен)
Видео
Другие доклады секции
BigData и инфраструктура машинного обучения (data engineering)