Desplegando modelos de Machine Learning en producción (y no morir en el intento)
•Télécharger en tant que PPTX, PDF•
0 j'aime•909 vues
El documento presenta opciones para desplegar modelos de machine learning en producción utilizando Azure Machine Learning. Azure ML permite controlar el ciclo de vida de los modelos, desde el desarrollo hasta el despliegue y monitorización, a través de diferentes opciones como compute targets, optimización automática de hiperparámetros, y autogeneración y optimización de modelos mediante AutoML. Se muestra un ejemplo de entrenar un modelo de clasificación de imágenes de ropa utilizando la base de datos FashionMNIST en Azure ML.
Recommandé
Recommandé
Contenu connexe
Similaire à Desplegando modelos de Machine Learning en producción (y no morir en el intento)
Similaire à Desplegando modelos de Machine Learning en producción (y no morir en el intento) (20)
Plus de Plain Concepts
Plus de Plain Concepts (20)
Dernier
Dernier (11)
Desplegando modelos de Machine Learning en producción (y no morir en el intento)
- 3. @PabloDoval palvarez@plainconcepts.com I work with code and data, but don't tell my mom; she thinks I'm a piano player in a whorehouse. Pablo Doval DATA PONTIFEX
- 4. @zNk jasanchez@plainconcepts.com • Interested in: • Machine Learning (NLP, productionalize models) • Highly scalable architectures (based on hadoop, spark, etc) • Software Engineering (I really like C#) • Gaming: Pubg, LoL Jesús A. Sánchez Méndez Data Engineer
- 5. La siguiente presentación contiene asunciones sobre el conocimiento de los asistentes acerca de los conceptos básicos de Machine Learning. Si usted considera que se puede sentir ofendido por la falta de una explicación detallada sobre los procesos de entrenamiento, conjuntos de test, train y validación, o el concepto de hyper- parámetro, se recomienda que abandone la sala y disfrute de alguna de las fantásticas sesiones paralelas. En serio.
- 6. La siguiente presentación contiene asunciones sobre el conocimiento de los asistentes acerca de los conceptos básicos de Machine Learning. Si usted considera que se puede sentir ofendido por la falta de una explicación detallada sobre los procesos de entrenamiento, conjuntos de test, train y validación, o el concepto de hyper- parámetro, se recomienda que abandone la sala y disfrute de alguna de las fantásticas sesiones paralelas. En serio.
- 9. #SQLSatMadr
- 10. #SQLSatMadr
- 15. Fashion MNIST
- 19. TFX: A TensorFlow-Based Production-Scale Machine Learning Platform
- 22. Azure Machine Learning Controla del ciclo de vida de los modelos de Machine Learning Soporta cualquier cosa-de-Python™ Puede auto-generar modelos (AutoML) y optimizarlos (HyperDrive) Despliegue y gestion por portal, CLI y SDK
- 23. Compute Targets Entorno Local BatchAI Virtual Machine (DSVM/DLVM o AdHoc) FPGA
- 25. Monitorización Monitorización en portal y widget Integración con TensorBoard Soporte de AppInsights y monitorización del K8s
- 26. HyperDrive Optimización automática de los Hyper-Parámetros Muestreo de Parámetros: •Random •Bayes •Grid Early Termination
- 28. AutoML Solo aplica a escenarios de clasificación y regresión Emplea 22 modelos diferentes Pre-Procesado de Datos automático: •Generación automática (imputaciones, encoding, normalización, etc…) •Transformaciones •Selección de Características
- 29. Autenticación El SDK puede autenticarse con RBAC y Service Principal •ServicePrincipalAuthentication •Se emplea en la llamada al workspace.load_from_config() con el parámetro auth
- 30. Y que pasa con los dispositivos IoT?
- 31. #SQLSatMadr
- 32. No reinventes la rueda Usa las herramientas apropiadas Tu tambien puedes ser un Data Scientist del Metal™
- 33. Thanks and … See you soon! Thanks also to the organization Without whom this would not have been posible.
Notes de l'éditeur
- #az login #az account set --subscription "d77fed05-748d-4c3c-97af-00e6cdd6c46e"
- az ad sp create-for-rbac --scopes /subscriptions/d77fed05-748d-4c3c-97af-00e6cdd6c46e/resourcegroups/AITech.MLDeployments --role Contributor --years 1 --name AzureMLRBAC-AITech { "appId": "61be52e2-9c5e-4e7b-9a0d-f25a843c264b", "displayName": "AzureMLRBAC-AITech", "name": "http://AzureMLRBAC-AITech", "password": "2c841bc2-b285-4b83-a539-dcb30c40042e", "tenant": "5c384fed-84cc-44a6-b34a-b060bf102a6e" }