Что скрывается за деплоем сервиса в ML-платформе

AI & ML

Всё умеют шаблонизировать сервисы, работать с Docker и Kubernetes, но что еще важно при релизе ML-модели? Разберем, как деплой связан с мониторингом (observability), feature store, артефактами и реестром моделей.

-Как устроен процесс релиза модели и чего от него хочется
-Обзор инструментов (ClearML, MLflow, MLRun)
-Разбор MLRun: мониторинг, feature store, артефакты, реестр моделей
-Реализация на примере: сравнение «до» и «после»
-Возможные сложности: как научиться деплоить на CPU/GPU
-Полезные материалы и тестовый проект

О СПИКЕРЕ

Последние 5 лет руковожу разработкой различных AI-сервисов: текстовые и голосовые AI-ассистенты с применением больших языковых моделей, предсказание оценки недвижимости, антифрод и модерация контента, рекомендательные системы и компьютерное зрение.
У меня большой опыт разработки в таких сферах, как бухгалтерия и кадры, медиа, реклама, недвижимость, крипто-финтех.

MIDDLE

Алина Баймашева

Домклик, Москва
Руководитель отдела разработки ML / Машинное обучение / Искусственный интеллект

25 апреля
№106 "Юг"
12:40-13:20