MLOps: жизненный цикл ML-моделей от идеи до продакшна, Евгений Никитин

Все ML-системы проживают долгую и богатую на события жизнь. Ещё перед "рождением" нужно оценить, имеет ли смысл вообще разрабатывать такую систему, и насколько она технически осуществима. Затем нужно собрать, очистить и разметить данные, поставить множество экспериментов, выбрать лучшую модель, всесторонне оценить её качество, устойчивость, воспроизводимость и безопасность, и наконец развернуть её в продакшн. На этом история не заканчивается - без качественного автоматического мониторинга есть все шансы пропустить деградацию модели. В этом докладе я расскажу, как и с помощью каких инструментов мы помогаем нашим медицинским ML-системам не умереть на этом долгом пути.
Присоединяйтесь к сообществу LeanDS в телеграмм: t.me/leands
Бесплатная книга по управлению продуктами и проектами в Data Science: leands.ai/ru

[@evgeniinikitin8843]

в секции про деплой ещё забыл рассказать про всякие штуки типа Cortex, Seldon, Ray Serve, TorchServe, BentoML. мы ими не пользуемся, где-то недостаёт гибкости, где-то просто нет смысла переходить, но во многих кейсах зайдёт хорошо

[@OdinO4ka1986]

Очень классный доклад!

[@SergeyZarin]

спасибо за классный доклад!

[@notavailable3525]

Please add ENGLISH Subtitles next time...