¿Busca información sobre cómo se puede aplicar TFX para crear una solución que satisfaga sus necesidades? ¡Estos artículos y guías detallados pueden ayudar!
Arquitectura de un sistema de aprendizaje automático para la comparación de artículos casi en tiempo real
Utilice este documento para obtener información sobre la arquitectura de una solución de aprendizaje automático (ML) que aprende y ofrece incorporaciones de elementos. Las incrustaciones pueden ayudarle a comprender qué artículos sus clientes consideran similares, lo que le permite ofrecer sugerencias de "artículos similares" en tiempo real en su aplicación. Esta solución le muestra cómo identificar canciones similares en un conjunto de datos y luego utilizar esta información para hacer recomendaciones de canciones. Leer más
Preprocesamiento de datos para aprendizaje automático: opciones y recomendaciones
Este artículo de dos partes explora el tema de la ingeniería de datos y la ingeniería de características para el aprendizaje automático (ML). Esta primera parte analiza las mejores prácticas de preprocesamiento de datos en un proceso de aprendizaje automático en Google Cloud. El artículo se centra en el uso de TensorFlow y la biblioteca de código abierto TensorFlow Transform (tf.Transform) para preparar datos, entrenar el modelo y servir el modelo para predicción. Esta parte destaca los desafíos del preprocesamiento de datos para el aprendizaje automático e ilustra las opciones y escenarios para realizar la transformación de datos en Google Cloud de manera efectiva. Parte 1 Parte 2
Arquitectura para MLOps que utilizan TFX, Kubeflow Pipelines y Cloud Build
Este documento describe la arquitectura general de un sistema de aprendizaje automático (ML) que utiliza bibliotecas TensorFlow Extended (TFX). También analiza cómo configurar una integración continua (CI), entrega continua (CD) y capacitación continua (CT) para el sistema ML utilizando Cloud Build y Kubeflow Pipelines. Leer más
MLOps: canales de automatización y entrega continua en aprendizaje automático
Este documento analiza técnicas para implementar y automatizar la integración continua (CI), la entrega continua (CD) y la capacitación continua (CT) para sistemas de aprendizaje automático (ML). La ciencia de datos y el aprendizaje automático se están convirtiendo en capacidades fundamentales para resolver problemas complejos del mundo real, transformar industrias y ofrecer valor en todos los ámbitos. Leer más
Configurar un entorno MLOps en Google Cloud
Esta guía de referencia describe la arquitectura de un entorno de operaciones de aprendizaje automático (MLOps) en Google Cloud. La guía acompaña las prácticas de laboratorio en GitHub que lo guiarán a través del proceso de aprovisionamiento y configuración del entorno que se describe aquí. Prácticamente todas las industrias están adoptando el aprendizaje automático (ML) a un ritmo rápidamente acelerado. Un desafío clave para obtener valor del ML es crear formas de implementar y operar sistemas de ML de manera efectiva. Esta guía está destinada a ingenieros de aprendizaje automático (ML) y DevOps. Leer más
Requisitos clave para una fundación MLOps
Las organizaciones impulsadas por la IA están utilizando datos y aprendizaje automático para resolver sus problemas más difíciles y están cosechando los frutos.
"Las empresas que absorban completamente la IA en sus flujos de trabajo de producción de valor para 2025 dominarán la economía mundial de 2030 con un crecimiento del flujo de caja de +120%", según McKinsey Global Institute.
Pero no es fácil ahora. Los sistemas de aprendizaje automático (ML) tienen una capacidad especial para crear deuda técnica si no se gestionan bien. Leer más
Cómo crear e implementar una tarjeta modelo en la nube con Scikit-Learn
Actualmente se utilizan modelos de aprendizaje automático para realizar muchas tareas desafiantes. Con su enorme potencial, los modelos de ML también plantean preguntas sobre su uso, construcción y limitaciones. Documentar las respuestas a estas preguntas ayuda a aportar claridad y comprensión compartida. Para ayudar a lograr estos objetivos, Google ha introducido tarjetas modelo. Leer más
Análisis y validación de datos a escala para aprendizaje automático con TensorFlow Data Validation
Este documento analiza cómo utilizar la biblioteca TensorFlow Data Validation (TFDV) para la exploración de datos y el análisis descriptivo durante la experimentación. Los científicos de datos y los ingenieros de aprendizaje automático (ML) pueden usar TFDV en un sistema de ML de producción para validar los datos que se utilizan en una canalización de entrenamiento continuo (CT) y para detectar sesgos y valores atípicos en los datos recibidos para el servicio de predicción. Incluye laboratorios prácticos . Leer más