Поиск

Deep dive в ML Space: модуль Deployments как способ реализации ML-моделей. От простого к сложному.

img

На втором вебинаре из цикла "Deep Dive в ML Space" тиммейты ML Space Владимир Новоженов и Владислав Синеглазов расскажут о том, как работать c развертыванием ML-моделей на платформе.

Вы узнаете:

  • как запустить обученную модель в продакшн;
  • как совершать асинхронные запросы;
  • как быстро масштабировать свое решение;
  • как управлять своим пулом моделей.

Вебинар будет полезен специалистам IT-подразделений корпоративного бизнеса, дата-сайентистам, DevOps-инженерам, а также менеджерам AI/ML-продуктов.

  • 00:00 — Вступление
  • 00:56 — Функциональные возможности платформы ML Space
  • 05:47 — MLOps: процесс разработки моделей машинного обучения
  • 07:56 — Виды инференса: Batch vs Real-Tine prediction
  • 10:24 — Как работать в модуле Deployments платформы ML Space, первый сценарий работы по созданию API к моделям для интеграций с другими системами
  • 20:12 — Модуль Deployments: второй сценарий работы по деплою любых Docker-образов
  • 23:26 — Обзор карточки деплоя
  • 25:56 — Модуль Deployments: третий сценарий работы по деплою любых Docker-образов с прокси API Gateway
  • 29:08 — Модуль Deployments: четвертый сценарий работы по асинхронному инференсу и вычислениям
  • 36:13 — Модуль Deployments: пятый сценарий работы (самый простой) — возможность забрать готовое решение из Marketplace, задеплоить в своем пространстве Cloud и применять
  • 38:05 — Кому будет полезен асинхронный инференс на ML Space
  • 43:25 — Чат-бот как пример реализации асинхронного инференса
  • 49:16 — Ответы на вопросы
Спикеры
speaker
Владимир Новоженов
Продуктовый менеджер, SberCloud
speaker
Владислав Синеглазов
Архитектор клиентских решений, SberCloud