Вебинар "MLflow в облаке. Простой и быстрый способ вывести ML-модели в продакшен" состоится 23 марта 2021 года в 18:00 (мск).
MLflow — один из самых стабильных и легких современных инструментов, позволяющих специалистам по Data Science управлять жизненным циклом моделей машинного обучения на всем его протяжении. Это удобный инструмент с простым пользовательским интерфейсом для просмотра экспериментов и мощными средствами упаковки моделей, управления ими и их развертыванием. Он позволяет работать практически с любой библиотекой машинного обучения. На вебинаре мы пройдем все этапы установки и настройки MLflow в максимально близком к production варианте, а также покажем, как реализовать использование облачных сервисов в качестве различных backend-сервисов MLflow.
На вебинаре мы вместе:
- установим MLflow tracking server на выделенной VM;
- подключим S3 в качестве artifact storage;
- подключим DBaaS в роли backend entity storage;
- развернем JupyterHub на выделенной VM;
- обучим тестовую ML-модель и продемонстрируем на примере данной модели основы работы с компонентами MLflow: Tracking и Registry;
- опубликуем обученную модель и сделаем её доступной для запросов по REST API;
- соберем Docker-образ с ML-моделью, используя возможности MLflow для публикации модели в дальнейшем в Kubernetes.
После вебинара на все ваши вопросы ответит Александр Волынский, PaaS-архитектор платформы Mail.ru Cloud Solutions. Вебинар продолжает нашу серию про MLOps. Ранее мы рассматривали проект Kubeflow. В сравнении с ним MLflow — более стабильный, production-ready инструмент. За счет того, что MLflow не использует Kubernetes, он более прост в работе, но в целом хуже масштабируется и не так хорошо интегрируется с K8s. В MLflow меньше функций: в частности, в отличие от KubeFlow в него не встроен JupyterHub, поэтому на вебинаре нам с вами придется развернуть его отдельно.
Онлайн,MLflow в облаке. Простой и быстрый способ вывести ML-модели в продакшен
- Анонс
- Программа
- Участники
- Спикеры
Вебинар "MLflow в облаке. Простой и быстрый способ вывести ML-модели в продакшен" состоится 23 марта 2021 года в 18:00 (мск).
MLflow — один из самых стабильных и легких современных инструментов, позволяющих специалистам по Data Science управлять жизненным циклом моделей машинного обучения на всем его протяжении. Это удобный инструмент с простым пользовательским интерфейсом для просмотра экспериментов и мощными средствами упаковки моделей, управления ими и их развертыванием. Он позволяет работать практически с любой библиотекой машинного обучения. На вебинаре мы пройдем все этапы установки и настройки MLflow в максимально близком к production варианте, а также покажем, как реализовать использование облачных сервисов в качестве различных backend-сервисов MLflow.
На вебинаре мы вместе:
- установим MLflow tracking server на выделенной VM;
- подключим S3 в качестве artifact storage;
- подключим DBaaS в роли backend entity storage;
- развернем JupyterHub на выделенной VM;
- обучим тестовую ML-модель и продемонстрируем на примере данной модели основы работы с компонентами MLflow: Tracking и Registry;
- опубликуем обученную модель и сделаем её доступной для запросов по REST API;
- соберем Docker-образ с ML-моделью, используя возможности MLflow для публикации модели в дальнейшем в Kubernetes.
После вебинара на все ваши вопросы ответит Александр Волынский, PaaS-архитектор платформы Mail.ru Cloud Solutions. Вебинар продолжает нашу серию про MLOps. Ранее мы рассматривали проект Kubeflow. В сравнении с ним MLflow — более стабильный, production-ready инструмент. За счет того, что MLflow не использует Kubernetes, он более прост в работе, но в целом хуже масштабируется и не так хорошо интегрируется с K8s. В MLflow меньше функций: в частности, в отличие от KubeFlow в него не встроен JupyterHub, поэтому на вебинаре нам с вами придется развернуть его отдельно.
