Folders and files Name Name Last commit message
Last commit date
parent directory
View all files
Занятие 21. Подходы к выводу ML решений в продакшн.
Пакетный, потоковый, и онлайн (асинхронный и синхронный) паттерны и их комбинации
Организация пакетной части - от кронтаба к триггерным системам
Airflow, Oozie, Luidgi
Организация мониторинга
Занятие 22. Версионирование, воспроизводимость и мониторинг
Воспроизводимость в Spark ML
DvC, MLFlow
Трансформация прототипа в пром решение (тесты, метрики, семафоры)
Занятие 23. Онлайн-сервинг моделей
Вычисление модели в режиме онлайн: пакеты MLeap и JPMML
Дублирование кода, continous streaming и Azure ML Spark Serving
Доставка до моделей фичей и параметров
Способы декомпозиции модели для онлайн-инференса. Перенос больших бинарных файлов с моделями
Мониторинг, тестирование, постепенные выкатки
Занятие 24. Паттерны ассинхронного потокового ML и ETL
Асинхронный NRT паттерн
Усиление онлайн части подготовкой свежих признаков (CTR)
Ускорение пакетной части за счет размазывания нагрузки в течении дня
Интеграция с другими технологическими платформами (Python)
Мониторинг потоковых процессов
Занятие 25. Если надо Python
Встраивание Python в экосистему
Паттерн “кластер + большая тачка”
Выставление обученных моделей через REST или как со-процесс с JVM.
GraalVM
Занятие 26. Альтернативные фреймворки с поддержкой Python и область применимости
Dusk
KubeFlow
Seldon Core
H2O
Особенности эксплуатации гетерогенных систем в проме
You can’t perform that action at this time.