MLOps без хаоса: как мы объединили 200 ML-инженеров, и в разы повысив эффективность использования GPU

Data Engineering

Программный комитет ещё не принял решения по этому докладу

Целевая аудитория

DevOps и MLOPS инженеры. ML и DS инженеры. Руководители проектов и продуктов, стремящиеся сэкономить бюджеты.

Тезисы

Я расскажу, о том как мы в MWS AI , несколько лет развиваем MLOPS платформу на базе ClearML, и почему за эти годы нам так и не захотелось сделать как у всех, используя стандартный стек из MLFLOW и Airflow. И почему выстроенный процесс вовлечения ML инженеров, гораздо важнее чем бесконечное количество ресурсов.

Иванов Александр

MTS AI

DevOps переквалифицировавшийся в MLOPS лида.
Прошел путь от системного администратора, тех лида MLOPS платформы.

Видео

Другие доклады секции

Data Engineering

Инженерия стратификации A/B-тестов в системах персонализации на десятках миллионов клиентов

Илья Панов

X5 Tech

Особенности архитектуры платформы обработки и хранения данных для обучения GenAI-моделей или что делать, когда сырых данных - десятки петабайт и это не Parquet

Александр Непочатых

Sber

ML на автопилоте: контроль данных и автоматическое переобучение моделей

Дарья Чадина

Koronatech

ML в физическом мире: как мы построили устойчивый пайплайн распознавания товаров в ритейле

Артём Сметанин

Epoch8

Feature store – автоматизация создания фичей для моделей на pyspark

Бояджи Владислав Олегович

ООО МВС

Highway to Prod: как мы запустили нефрод-ML в платежной системе

Павел Цветов

Мир Plat.Form

Почему SQL не может быть основным языком для потоковой обработки

Максим Буйлин

Райффайзен Банк

Законы и данные зарубежной эстрады: как быть CCPA-compliance на 300+ миллионов юзеров

Андрей Волков

TSQ Consulting

Единая веб-платформа для инженеров данных: как мы объединили 10+ микросервисов и сократили time-to-market

Никита Калганов

X5 Tech

Debias через CUPAC: повышаем справедливость ML-моделей

Петр Чуйков

hh.ru