Хабр Про // Рельсы для ML: разбираемся, что собой представляют практики MLops и как и

Рассказываем, что из себя представляют практики MLops и как они помогают поставить работу с данными на поток. Мы разберём этот вопрос на двух этапах: посмотрим, с какими задачами и вопросами надо обращаться к MLops в теории — и как этот подход реализуется на практике. В нашей виртуальной студии, Head of Computer Vision, Михаил Толмачев из компании EPAM расскажет, когда нужно задуматься о внедрении MLops и какие задачи они решают, а его коллега, Senior Data Solution Architect, Евгений Кожевников в деталях распишет, как именно нужно наладить взаимодействие внутри команд, чтобы подход заработал. 2:45 Самое интересное и важное в MLOps. Что включает это направление 7:00 Почему в MLOps важна командная работа 9:25 О взаимодействии в команде: почему это сложный процесс, который всё упрощает 15:05 Чем MLOps отличается от обычного DevOps 19:40 Как подступиться к MLOps 25:15 Каким специалистам проще вникнуть в эти практики 32:50 Облака и open source для MLOps. Сложно ли менять платформу, инструменты 42:23 Как передавать накопленные знания от модели к модели и почему это действительно сложная задача 47:40 Почему Amazon закрыл свой первый ML-проект и оставил только SageMaker 51:25 Инструментарий MLOps-специалиста 56:35 В каких сферах наиболее востребован MLOps, основные задачи 1:00:35 Какие ещё «…Ops» потребуются в ближайшее время. Предсказываем будущее