Свой ML-завод: что дает собственная ML-платформа и как ее запустить

Большинство корпоративных ИИ-пилотов не дают измеримых результатов. Не из-за качества моделей в их основе — из-за отсутствия комплексного подхода. На практике это выливается в следующее:

• дата-сайентисты тратят время на подготовку данных и настройку инфраструктуры;
• компании собирают ML-стек из разрозненных open-source инструментов, теряя месяцы на интеграцию и деньги — на простаивающих GPU.

При этом регуляторные требования к субъектам КИИ ужесточаются, а сроки перехода на российское ПО приближаются.

На вебинаре расскажем, как выстроить эффективный ML-процесс — от загрузки данных до обучения моделей на GPU-кластере. Покажем, как MLOps-платформа Evolution Stack.ML упрощает разработку ИИ-проекта: сервисы «из коробки» исключают месяцы интеграций, единое управление позволяет быстро навести порядок в инфраструктуре, а развёртывание внутри контура закрывает требования регуляторов.

В программе:

• почему ИИ-пилоты «не взлетают»: разрозненные инструменты, простой GPU и не только;
• во сколько обходится ML на самом деле: почему затраты GPU — это только вершина айсберга и куда ещё уходят деньги;
• облако, open source своими руками и готовое решение — чем отличаются три пути к ML-платформе и какие скрытые ловушки есть у каждого;
• on-premise vs. облако: когда локальное развёртывание дешевле и почему это не всегда так;
• в каких отраслях on-premise ML-платформа необходима и какие бизнес-сценарии можно реализовать с её помощью;
• из чего состоит и как устроена Evolution Stack.ML;
• зачем нужны воркспейсы.

В практической части вы научитесь:

• создавать воркспейс на платформе;
• подключать внешние источники данных;
• запускать Jupyter Server на базе готового образа: покажем процесс целиком — от выбора образа до открытия JupyterLab;
• проходить весь путь работы на платформе: от настройки Quick Start Notebook до запуска распределённого обучения на нескольких GPU;
• отслеживать метрики обучения прямо из интерфейса.

Вебинар будет интересен дата-сайентистам и ML-инженерам, а также руководителям DS-команд, которые хотят ускорить time to market и снизить операционную нагрузку. Ещё полезно будет ИТ-архитекторам, DevOps-инженерам и специалистам по информационной безопасности, а также CTO и CIO — техническим директорам и ИТ-директорам, которые оценивают варианты развёртывания ML-платформы.

Присоединяйтесь, чтобы увидеть, как готовая ML-платформа превращает хаос из разрозненных инструментов в работающий ML-завод — в вашем контуре, под вашим контролем, с первого дня.