Поиск

    Deep dive в ML Space: модуль Deployments как способ реализации ML-моделей. От простого к сложному.

    Подписаться на новости
    Вебинар
    img

    На втором вебинаре из цикла "Deep Dive в ML Space" тиммейты ML Space Владимир Новоженов и Владислав Синеглазов расскажут о том, как работать c развертыванием ML-моделей на платформе.

      Вы узнаете:
    • как запустить обученную модель в продакшн;
    • как совершать асинхронные запросы;
    • как быстро масштабировать свое решение;
    • как управлять своим пулом моделей.

    Вебинар будет полезен специалистам IT-подразделений корпоративного бизнеса, дата-сайентистам, DevOps-инженерам, а также менеджерам AI/ML-продуктов.

    • 00:00 — Вступление
    • 00:56 — Функциональные возможности платформы ML Space
    • 05:47 — MLOps: процесс разработки моделей машинного обучения
    • 07:56 — Виды инференса: Batch vs Real-Tine prediction
    • 10:24 — Как работать в модуле Deployments платформы ML Space, первый сценарий работы по созданию API к моделям для интеграций с другими системами
    • 20:12 — Модуль Deployments: второй сценарий работы по деплою любых Docker-образов
    • 23:26 — Обзор карточки деплоя
    • 25:56 — Модуль Deployments: третий сценарий работы по деплою любых Docker-образов с прокси API Gateway
    • 29:08 — Модуль Deployments: четвертый сценарий работы по асинхронному инференсу и вычислениям
    • 36:13 — Модуль Deployments: пятый сценарий работы (самый простой) — возможность забрать готовое решение из Marketplace, задеплоить в своем пространстве Cloud и применять
    • 38:05 — Кому будет полезен асинхронный инференс на ML Space
    • 43:25 — Чат-бот как пример реализации асинхронного инференса
    • 49:16 — Ответы на вопросы
    Спикеры
    speaker
    Владимир Новоженов
    Продуктовый менеджер, SberCloud
    speaker
    Владислав Синеглазов
    Архитектор клиентских решений, SberCloud