MLOps | LAMARR

|Beispiel für die Verwendung der Snippet-Bibliothek|Beispiel für die Verwendung der Snippet-Bibliothek des Jupyter Notebooks.|

Snippet Library: Effizientes Coding unterstützen

22. September 2021

Hammam

Abdelwaha

Das Schreiben von Code ist ein wesentlicher Bestandteil des Alltags eines Data Scientist. Die Snippet Library-Erweiterung dient zur Unterstützung und ermöglicht die schnelle und einfache Entwicklung von Datenanalyse-Workflows.

|upyter Notebook „train“ mit aktiviertem „tutorial“-Kernel|MLflow Nutzeroberfläche mit drei ausgeführten Runs|MLflow: Tabellarischer Vergleich|MLflow: Graphischer Vergleich|In MLflow abrufbares Modell-Artefakt|Das Modell lieferr hier einen Wert von ca. 2.1

Experiment Tracking: Bessere Dokumentationen von ML-Experimenten mit MLflow

15. September 2021

Claudio

Martens

Bereits in der experimentellen Phase des Maschinellen Lernens können Trainingsvorgänge übersichtlich und nachvollziehbar strukturiert werden. Dieser Beitrag stellt ein hilfreiches Tool für diesen Zweck vor.

MLOps|MLOps Zyklus|CRISP-DM besteht aus sechs Phasen

MLOps: Machine Learning ist erwachsen geworden

23. Juni 2021

Alexander

Zimmermann

Dennis

Wegener

Bei der Anwendung von ML-Lösungen im operativen Betrieb stehen Anwender vor diversen technischen und organisatorischen Herausforderungen. MLOps beschreibt einen ganzheitlichen Prozessansatz, der diese Herausforderungen mit geeigneten Methoden und Werkzeugen löst.

On the Edge – Das Deployment für KI der Zukunft?

7. April 2021

Christian

Peeren

Edge Deployment ermöglicht die sichere und ressourcenschonende Verarbeitung großer Datenströme in Echtzeit sowie ein dezentrales Datenmanagement und Training im Maschinellen Lernen. KI-basierte Anwendungen können so in die Produktion gebracht werden.