Не каждый инженер согласится строить ML-инфраструктуру и проводить непредсказуемые эксперименты. Но кто-то должен этим заниматься. Говорим об ML-инженерах, которые выбирают путь работы с инфраструктурой, и выясняем, как сделать эту работу качественнее.

В этом выпуске обсуждаем:

— как выводить модели в прод быстро;

— что должен понимать руководитель команды, которая занимается ML-инфраструктурой;

— как взаимодействовать с разработчиками и передавать наработки команде инженеров.

Не забыли и техническую конкретику: Data-платформу как фундамент ML-инфраструктуры и работу с потоками данных. 

Ведущий выпуска — Андрей Кузнецов, Андрей Кузнецов, директор по машинному обучению «Одноклассников».

Полезные ссылки:

— Статья от Google «MLOps: Continuous delivery and automation pipelines in machine learning»: https://cutt.ly/0wKw50Xl 

— Книга Мартина Клеппмана «Высоконагруженные приложения. Программирование, масштабирование, поддержка»: https://cutt.ly/GwKw6shl 

— Доклад Михаила Марюфича «CI/CD для Ml-моделей и датасетов»: https://cutt.ly/swKw6EP8 

Подписывайтесь на наши соцсети, чтобы не пропустить следующие выпуски и новости предстоящей конференции.

— VK: https://vk.com/imlconf

— Telegram-чат: https://t.me/iml_chat 

— Telegram-канал: https://t.me/iml_conf 

Сайт I’ML: https://imlconf.com/