Как построить ML-систему, которая обрабатывает десятки миллионов предсказаний в месяц? Особенно когда речь идет о критически важном производственном процессе! В новом выпуске подкаста "AWS на русском" мы говорим с AWS ML Hero Рустемом (Rustem Feyzkhanov) о том, как масштабировать ML-системы в облаке от этапа исследований до промышленного внедрения: 🔹 Как построить эффективный ML-пайплайн для автоматического обучения моделей 🔹 Почему SageMaker Training Jobs и AWS Lambda — идеальная комбинация для масштабирования 🔹 Как оптимизировать расходы на ML-инфраструктуру с помощью spot-инстансов 🔹 Секреты мониторинга и отладки ML-систем в продакшене Этот выпуск будет особенно полезен ML-инженерам, DevOps-специалистам и техническим лидам, которые работают над масштабированием ML-решений в облаке. 💡 Узнаете, как сократить время итерации ML-экспериментов с дней до часов и автоматизировать процесс вывода моделей в продакшен. Навигация для Podbean: • (0:00) Введение и представление гостя • (5:30) Особенности AutoML платформы • (15:45) ML-пайплайны и инфраструктура • (25:20) Масштабирование и оптимизация • (35:10) Мониторинг и поддержка • (45:30) Рекомендации и выводы Навигация для YouTube: 00:00:00 - Начало 00:05:30 - Особенности AutoML платформы 00:15:45 - ML-пайплайны и инфраструктура 00:25:20 - Масштабирование и оптимизация 00:35:10 - Мониторинг и поддержка 00:45:30 - Рекомендации и выводы 🎧 Слушайте на любимой платформе: • YouTube • Podbean • Apple Podcast • Яндекс.Музыка • Spotify • RSS 💬 А как вы решаете задачи масштабирования ML-систем? Делитесь опытом в комментариях! #AWS #MachineLearning #SageMaker #MLOps

Ask this episode

“What did the council decide on item 42?” — answered with the speaker and the moment.

Transcript

Related