В докладе обсудим:
- Как были устроены наши MLOps процессы и инфраструктура, когда команда была небольшой
- Какие при этом были проблемы
- Что мы поменяли, чтобы сделать процесс вывода ML решений в production гибче и эффективнее
- Как мы адаптировали MLFlow к стандартам корпоративной безопасности
- Как мы масштабировали наши процессы и инфраструктуру на большое количество команд в условиях Agile разработки
- Почему Airflow недостаточно гибок для ML-задач и какую альтернативу выбрали мы
- Как мы обеспечили непрерывный процесс мониторинга и дообучения ML-моделей
- О чем всегда нужно помнить при построении больших платформ
Наш стек – Python, Hadoop, Spark, K8S, Docker, JupyterHub, MLFlow, Airflow, Argo, Cookiecutter, Great Expectations и др.

Data Fest 2023:
[ Ссылка ]
Трек "MLOps":
[ Ссылка ]

Наши соц.сети:
Telegram: [ Ссылка ]
Вконтакте: [ Ссылка ]

свернуть