Vous recherchez des informations sur la manière dont TFX peut être appliqué pour créer une solution qui répond à vos besoins ? Ces articles et guides approfondis peuvent vous aider !
Architecture d'un système d'apprentissage automatique pour la correspondance d'éléments en temps quasi réel
Utilisez ce document pour en savoir plus sur l'architecture d'une solution d'apprentissage automatique (ML) qui apprend et sert des incorporations d'éléments. Les intégrations peuvent vous aider à comprendre quels articles vos clients considèrent comme similaires, ce qui vous permet de proposer des suggestions d'« articles similaires » en temps réel dans votre application. Cette solution vous montre comment identifier des chansons similaires dans un ensemble de données, puis utiliser ces informations pour formuler des recommandations de chansons. En savoir plus
Prétraitement des données pour l'apprentissage automatique : options et recommandations
Cet article en deux parties explore le sujet de l'ingénierie des données et de l'ingénierie des fonctionnalités pour l'apprentissage automatique (ML). Cette première partie traite des bonnes pratiques de prétraitement des données dans un pipeline de machine learning sur Google Cloud. L'article se concentre sur l'utilisation de TensorFlow et de la bibliothèque open source TensorFlow Transform (tf.Transform) pour préparer les données, entraîner le modèle et servir le modèle à des fins de prédiction. Cette partie met en évidence les défis liés au prétraitement des données pour le machine learning et illustre les options et les scénarios permettant d'effectuer efficacement la transformation des données sur Google Cloud. Partie 1 Partie 2
Architecture pour MLOps utilisant TFX, Kubeflow Pipelines et Cloud Build
Ce document décrit l'architecture globale d'un système d'apprentissage automatique (ML) utilisant les bibliothèques TensorFlow Extended (TFX). Il explique également comment configurer une intégration continue (CI), une livraison continue (CD) et une formation continue (CT) pour le système ML à l'aide de Cloud Build et Kubeflow Pipelines. En savoir plus
MLOps : pipelines de livraison continue et d'automatisation dans l'apprentissage automatique
Ce document traite des techniques de mise en œuvre et d'automatisation de l'intégration continue (CI), de la livraison continue (CD) et de la formation continue (CT) pour les systèmes d'apprentissage automatique (ML). La science des données et le ML deviennent des capacités essentielles pour résoudre des problèmes complexes du monde réel, transformer les industries et créer de la valeur dans tous les domaines. En savoir plus
Configurer un environnement MLOps sur Google Cloud
Ce guide de référence décrit l'architecture d'un environnement d'opérations de machine learning (MLOps) sur Google Cloud. Le guide accompagne des ateliers pratiques dans GitHub qui vous guident tout au long du processus de provisionnement et de configuration de l'environnement décrit ici. Pratiquement tous les secteurs adoptent l’apprentissage automatique (ML) à un rythme accéléré. L’un des principaux défis pour tirer de la valeur du ML est de créer des moyens de déployer et d’exploiter efficacement les systèmes de ML. Ce guide est destiné aux ingénieurs en machine learning (ML) et DevOps. En savoir plus
Exigences clés pour une fondation MLOps
Les organisations basées sur l’IA utilisent les données et l’apprentissage automatique pour résoudre leurs problèmes les plus difficiles et en récoltent les fruits.
« Les entreprises qui intégreront pleinement l’IA dans leurs flux de travail générateurs de valeur d’ici 2025 domineront l’économie mondiale de 2030 avec une croissance de +120 % de leurs flux de trésorerie », selon le McKinsey Global Institute.
Mais ce n'est pas facile en ce moment. Les systèmes d’apprentissage automatique (ML) ont une capacité particulière à créer une dette technique s’ils ne sont pas bien gérés. En savoir plus
Comment créer et déployer une carte modèle dans le cloud avec Scikit-Learn
Les modèles d’apprentissage automatique sont désormais utilisés pour accomplir de nombreuses tâches difficiles. Avec leur vaste potentiel, les modèles ML soulèvent également des questions sur leur utilisation, leur construction et leurs limites. Documenter les réponses à ces questions contribue à apporter de la clarté et une compréhension partagée. Pour aider à atteindre ces objectifs, Google a introduit des cartes modèles. En savoir plus
Analyser et valider des données à grande échelle pour le machine learning avec TensorFlow Data Validation
Ce document explique comment utiliser la bibliothèque TensorFlow Data Validation (TFDV) pour l'exploration des données et l'analyse descriptive pendant l'expérimentation. Les data scientists et les ingénieurs en apprentissage automatique (ML) peuvent utiliser TFDV dans un système de production ML pour valider les données utilisées dans un pipeline de formation continue (CT) et pour détecter les biais et les valeurs aberrantes dans les données reçues pour la diffusion de prédictions. Il comprend des laboratoires pratiques . En savoir plus