10 Python Libraries Every MLOps Engineer Should Know
了解10个基本的Python库，这些库支持核心MLOPS任务，例如版本控制，部署和监视。
在这篇文章中，我们展示了拜耳作物科学如何通过培训模型来管理数据分析需求的大规模数据科学操作，并维护高质量的代码文档以支持开发人员。通过这些解决方案，拜耳作物科学计划的开发人员登机时间可下降70％，开发人员生产率提高了30％。
Automate Models Training: An MLOps Pipeline with Tekton and Buildpacks
使用轻量级的GPT-2示例，用于容器化和编排ML培训工作流程的逐步指南。自动化后的模型培训：带有Tekton和Buildpacks的MLOPS管道首先出现在数据科学方面。
AI正在以前所未有的速度改变行业，并且在这种不断发展的景观中浏览需要技术专业知识和战略愿景。在这次采访中，我们与Softserve的高级AI顾问Maryna Bautina进行了交谈，他在机器学习，AI驱动的商业解决方案和领导力方面具有丰富的经验。玛丽娜（Maryna）与AI，缩放[…]
本博客文章提供了一种MLOPS解决方案，该解决方案使用AWS Cloud开发套件（AWS CDK）以及AWS STEP功能，Amazon EventBridge和Amazon等服务个性化，以自动化为数据准备，模型培训，部署和监视亚马逊个性化的提供资源。
Governing the ML lifecycle at scale, Part 4: Scaling MLOps with security and governance controls
这篇文章提供了设置多账户 ML 平台关键组件的详细步骤。这包括配置 ML 共享服务账户，该账户管理中央模板、模型注册表和部署管道；从中央服务目录共享 ML Admin 和 SageMaker 项目组合；以及设置单独的 ML 开发账户，数据科学家可以在其中构建和训练模型。
From AI Canvas to MLOps Stack Canvas: Are They Essential?
AI、ML 和 MLOps 堆栈画布，通过示例进行解释继续阅读 Towards Data Science »
我上周在 Twitter 上发布的一些有趣的链接（我也在 Mastodon、Threads、Newsmast 和 Bluesky 上发布了这些链接）：使用 AI 避免碰撞的自动驾驶船：https://www.stuff.co.nz/nz-news/350423932/unmanned-vessel-makes-waves-science-minister 帮助研究文献和引用的 AI：https://dataconomy.com/2024/09/27/scite-ai-review-can-it-research-well/ 微软纠正生成性 AI 幻觉的方法：https://www.comput
Weekly Review 27 September 2024
我上周在推特上发布了一些有趣的链接（我也在 Mastodon、Threads、Newsmast 和 Bluesky 上发布了这些链接）：这是人工智能的真正危险，它可以用于增强监控，大型科技公司可以通过这样做赚很多钱：https://www.theregister.com/2024/09/16/oracle_ai_mass_surveillance_cloud/除了需要大量能源外，人工智能还需要大量水来冷却：https://www.techrepublic.com/article/generative-ai-data-center-water-use/使用人工智能消除招聘中的偏见。但人工智能会继
Deploying Your Llama Model via vLLM using SageMaker Endpoint
利用 AWS 的 MLOps 平台为您的 LLM 模型提供服务继续阅读 Towards Data Science »
Optimizing MLOps for Sustainability
在本文中，我们回顾了在 AWS 上优化 MLOps 以实现可持续性的指南，提供了特定于服务的实践来了解和减少这些工作负载对环境的影响。
How Thomson Reuters Labs achieved AI/ML innovation at pace with AWS MLOps services
在本文中，我们将向您展示汤森路透实验室 (TR Labs) 如何通过采用使用 AWS SageMaker、SageMaker Experiments、SageMaker Model Registry 和 SageMaker Pipelines 的标准化 MLOps 框架来开发高效、灵活且功能强大的 MLOps 流程。目标是加快团队使用 AI 和机器学习 (ML) 进行实验和创新的速度——无论是使用自然语言处理 (NLP)、生成式 AI 还是其他技术。我们讨论了这如何帮助缩短新想法的上市时间并帮助构建具有成本效益的机器学习生命周期。
Evolution of Data Science: New Age Skills for the Modern End-to-End Data Scientist
从 Python 脚本到数据工程、MLOps 和 GenAI继续阅读 Towards Data Science »
Fraud Prediction with Machine Learning in the Financial Industry: A Data Scientist’s Experience
一位一线数据科学家的见解和经验照片由 Growtika 在 Unsplash 上拍摄 各位数据爱好者们，大家好！我想通过几篇文章与大家分享我 3 年开发机器学习模型来预测金融行业欺诈行为的经验。因此，如果您在欺诈检测项目中扮演项目经理、数据科学家、ML 工程师、数据工程师、Mlops 工程师、欺诈分析师或产品经理的任何角色，您可能会发现这篇文章很有帮助。在本系列的第一篇文章中，我想讨论以下几点：要解决的业务问题是什么项目的高级步骤业务问题每天，全球有数百万人使用汇款服务。这些服务帮助我们向亲人汇款，并使购物变得更容易。但欺诈者利用这些系统诱骗他人向他们汇款或接管他们的账户进行欺诈。这会伤害受害
Tracking in Practice: Code, Data and ML Model
MLOps 中的跟踪指南继续阅读 Towards Data Science »
