Поиск

ML Space как единый инструмент разработки в Data Science

img

Во многих компаниях ML Space уже успел стать стандартом работы для Data Science команд. На вебинаре архитектор клиентских решений платформы Владислав Синеглазов расскажет, почему ML Space - это швейцарский нож в мире машинного обучения.

У участников события будет шанс:

  • вместе с экспертом пройти полный путь от загрузки данных на платформу до вывода модели в production;
  • узнать, что помогает сделать обучение моделей более прозрачным;
  • увидеть, как платформа ML Space ускоряет время разработки внутри команды Data Science;
  • разобрать практический кейс применения ML-решения.

Вебинар будет полезен не только дата-сайентистам и дата-инженерам, но и всем, кто находится в поиске удобных инструментов ML-разработки для своей компании.

  • 0:00 — Вступление
  • 1:12 — Требования к инструментам для создания и обучения моделей
  • 8:21 — Сущность Workspace и функциональные возможности платформы ML Space
  • 14:55 — Модуль Data Catalog: работа с данными на платформе ML Space
  • 26:58 — Модуль Environments: создание окружения и получение ресурсов
  • 33:03 — Обучение моделей и мониторинг процесса обучения (инструменты TensorBoard и MLFlow)
  • 43:08 — Модуль Deployments: вывод модели в production-среду и настройка доступов к модели. Примеры развернутых деплоев и тестирование образов
  • 53:34 — Кейс использования модели ruCLIP для решения бизнес-задачи
  • 1:00:55 — AI Marketplace: готовые сервисы и модели машинного обучения
  • 1:06:54 — Модуль AutoML: обучение моделей на основе входных данных
  • 1:11:43 — Модуль Pipelines: автоматизация совокупности процессов
  • 1:12:43 — Резюме
  • 1:15:10 — Ответы на вопросы
Спикеры
speaker
Владислав Синеглазов
Архитектор клиентских решений, Cloud