ML Engineering: From Research to Reality
Update: 2025-06-24
Description
ML Engineering: מהמחקר למציאות
Machine Learning זה לא רק לבנות מודלים – זה לדעת איך להפוך אותם לחלק ממערכת שעובדת באמת, בסקייל, בפרודקשן, ובעיקר – מביאה תוצאות.
בפרק הזה של Tech Radar Voice, שני כהן, Senior ML Engineer ב- Tikal, מארחת את קוסטה קלינובסקי, MLOps Engineer ב-Imperva, לשיחה על איך לוקחים רעיון מחקרי והופכים אותו למערכת אמינה שרצה אצל יוזרים אמיתיים.
הם עוברים יחד על כל ה-ML lifecycle – מהאיסוף של הדאטה, דרך תכנון הפיצ'רים וניהול האקספרימנטים, ועד לאימון, deployment וניטור בפרודקשיין.
דרך use case של זיהוי הונאות בפלטפורמת e-commerce, הם מדברים על אתגרים יומיומיים – כמו למשל איך שומרים על מודל עדכני, איך מטפלים ב data drift, ואיך בונים תהליך שאפשר לסמוך עליו לאורך זמן.
בזכות כלים כמו feature stores, model registries ו-LLMs, הפער בין מחקר ל engineering הולך ומצטמצם – והפרק הזה הוא בדיוק המקום להתחיל בו את המסע לעולמות של MLOps מודרני.
Machine Learning זה לא רק לבנות מודלים – זה לדעת איך להפוך אותם לחלק ממערכת שעובדת באמת, בסקייל, בפרודקשן, ובעיקר – מביאה תוצאות.
בפרק הזה של Tech Radar Voice, שני כהן, Senior ML Engineer ב- Tikal, מארחת את קוסטה קלינובסקי, MLOps Engineer ב-Imperva, לשיחה על איך לוקחים רעיון מחקרי והופכים אותו למערכת אמינה שרצה אצל יוזרים אמיתיים.
הם עוברים יחד על כל ה-ML lifecycle – מהאיסוף של הדאטה, דרך תכנון הפיצ'רים וניהול האקספרימנטים, ועד לאימון, deployment וניטור בפרודקשיין.
דרך use case של זיהוי הונאות בפלטפורמת e-commerce, הם מדברים על אתגרים יומיומיים – כמו למשל איך שומרים על מודל עדכני, איך מטפלים ב data drift, ואיך בונים תהליך שאפשר לסמוך עליו לאורך זמן.
בזכות כלים כמו feature stores, model registries ו-LLMs, הפער בין מחקר ל engineering הולך ומצטמצם – והפרק הזה הוא בדיוק המקום להתחיל בו את המסע לעולמות של MLOps מודרני.
Comments
In Channel