Monitoring Machine Learning Models in Production
Introduction Once you have deployed your machine learning model to production it rapidly becomes apparent that the work is not over. In many ways the journey is just beginning. How do you know if your models are behaving as you expect them to? What about next week/month/year when the customer (or fraudster) behavior changes and your training data is stale? These are complex challenges, compounded
ML Pipeline for Kaggleのススメ - 重み元帥によるねこにっき
はじめに Bengali.AI Handwritten Grapheme ClassificationというKaggleの画像コンペに参加しました． ベンガル語の書記素(grapheme)が1つ描かれた画像から，その書記素がどのようなクラスに属するかを分類する問題設定で，簡単に言えば少し難しいmnistです． 順位が察し*1だったので解法については差し控えますが，円滑にモデルを生成するためにPipelineを組みました． 「せっかくだから次回以降のコンペでも使えるように抽象的に書こう！！」というモチベーションのもと生まれたスパゲッティ🍝は以下の通りです． github.com この記事では，自戒を込めて，Kaggle用途にPipelineを作成して得られた知見をまとめます． また使用FrameworkがPyTorchなので，一部PyTorchにしか当てはまらないことがあります． あくまで
Continuous Delivery for Machine Learning
Automating the end-to-end lifecycle of Machine Learning applications Machine Learning applications are becoming popular in our industry, however the process for developing, deploying, and continuously improving them is more complex compared to more traditional software, such as a web service or a mobile application. They are subject to change in three axis: the code itself, the model, and the data
Software engineering for machine learning: a case study | the morning paper
the morning paper a random walk through Computer Science research, by Adrian Colyer Made delightfully fast by strattic Software engineering for machine learning: a case study Amershi et al., ICSE’19 Previously on The Morning Paper we’ve looked at the spread of machine learning through Facebook and Google and some of the lessons learned together with processes and tools to address the challenges ar
Facebook News Feed インフラ責任者がスマニュー新VPoEに。「社内開発プラットフォームを作り、エンジニアを全力支援する」 - スマQ（スマキュー）｜スマートニュースの「はたらく」をみつける
Youlin Li（左）と前田俊太郎（右） Facebook で News Feedのインフラ責任者を務めた Youlin Liが、スマートニュースの Vice President of Engineering, Backend System and Foundation に就任しました。 about.smartnews.com Youlin の来日に合わせて、Vice President of Ad Product の前田俊太郎がインタビューしました。Facebook でどんなことをしてきたのか、その経験を生かしてスマートニュースで何を成し遂げようと考えているのか、徹底的に聞きました（構成：スマートニュース通訳・翻訳チーム＆スマQ編集部）。 Facebook を支える「社内開発プラットフォーム」の重要性 前田 よろしくお願いします。まずは自己紹介を。 Youlin Youlin Li で
Cloud ML Engine に自動で 予測モデルをデプロイするパイプラインを作ってみた - Qiita
この記事はBrainpad Advent Calendar 2018の7日目の記事です。 自己紹介と機械学習基盤を簡単に 初めまして、えいりんぐーです。 データ分析や機械学習まわりの仕事をしています。 このテの仕事をしていて感じるのは、基盤づくり・環境づくりって大切だということです。とくに、アドホックに分析や予測モデルを作って試すだけなら各々好きなようにやっていいのですが、仕事としてチームで、データ分析とその共有や機械学習サービスの開発・運用をやるには、ある程度定型化された環境というものが必要だと思います。 最近ではDevOpsの文脈から派生して、MLOpsという言葉も聞くようになりまして、もろもろの事業会社さんを見ると、やはりそれぞれ取り組みはあるようです。 メルカリさんの事例 Wantedlyさんの事例 リクルートライフスタイルさんの事例 Cookpadさんの事例 私もそれっぽいことな
Michelangelo PyML: Introducing Uber's Platform for Rapid Python ML Model Development
AIMichelangelo PyML: Introducing Uber’s Platform for Rapid Python ML Model DevelopmentOctober 23, 2018 / Global As a company heavily invested in AI, Uber aims to leverage machine learning (ML) in product development and the day-to-day management of our business. In pursuit of this goal, our data scientists spend considerable amounts of time prototyping and validating powerful new types of ML model
GitHub - nteract/papermill: 📚 Parameterize, execute, and analyze notebooks
papermill is a tool for parameterizing, executing, and analyzing Jupyter Notebooks. Papermill lets you: parameterize notebooks execute notebooks This opens up new opportunities for how notebooks can be used. For example: Perhaps you have a financial report that you wish to run with different values on the first or last day of a month or at the beginning or end of the year, using parameters makes t
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
What Is ML Ops: Solutions and Best Practices for DevOps of Production ML Services | USENIX
m3 ai team
Jupyter だけで機械学習を実サービス展開できる基盤
機械学習工学研究会キックオフシンポジウムに登壇しました – Aki Ariga – Medium
DevOps and Error Monitoring: An Introduction to the CALMS Model
How to write a production-level code in Data Science?
GitHub - indix/vamana: Autoscaling toolkit based on custom Application Metrics
Automated Machine Learning: Deploying AutoML to the Cloud