Month: November 2023

<img alt=”” src=”https://ai.miximages.com/www.marktechpost.com/wp-content/uploads/2023/11/Blog-Banner-2-1-1024×576.png”/><img alt=”” src=”https://ai.miximages.com/www.marktechpost.com/wp-content/uploads/2023/11/Blog-Banner-2-1-150×150.png”/><p>机器学习运营，或MLOps，是一套用于通过将机器学习（ML）开发和ML部署结合起来，以标准化和简化在生产中连续交付高性能模型的过程。</p><p>制作和完善ML模型被称为ML开发。部署机器学习模型是将它们发布供在生产环境中使用。</p><p>通过自动化将ML模型从开发移至生产所需的过程，MLOps弥合了这两种方法之间的差距。这有助于快速和有效地部署ML模型，并保证其在工业环境中的持续成功。</p><p><strong>MLOps的好处有哪些？</strong></p><p>MLOps的价值在于它使企业能够：</p><ul><li>MLOps简化了将ML模型从开发到生产的流程，加快了部署速度，为组织提供了优势。</li><li>MLOps通过确保在训练环境一致的生产环境中部署ML模型，帮助企业提高机器学习（ML）模型的质量。这样做减少了模型随着基础数据分布的变化而逐渐失去准确性的可能性。</li><li>通过自动化管理和监控生产中的ML模型的过程，MLOps能够降低ML运营的高成本。员工因此可以将更多时间投入到其他项目中，如创建新的ML模型。</li></ul><p><strong>那么，MLOps到底是如何工作的呢？</strong></p><p>连续集成和交付（CI / CD）流水线通常用于实施MLOps。构建，测试和发布软件应用程序都是可以通过CI / CD流水线自动化的过程。</p><p>以下是MLOps CI / CD流水线中的典型步骤示例：</p><ul><li>使用过去收集的数据训练ML模型。</li><li>将ML模型与保留数据集进行比较进行测试。</li><li>将ML模型放入生产环境中，称为“部署”。</li><li>密切关注ML模型，确保其在生产中保持良好状态。</li></ul><p>您可以手动或自动启动CI / CD工作流。例如，当学习到机器学习模型的新版本时，可以激活流水线。</p><p><strong>用于MLOps的工具有哪些？</strong></p><p>对于MLOps，您可以选择各种有用的工具。常用工具包括：</p><ul><li>一套被称为ML框架的工具可用于训练和部署ML模型。最常用的ML框架包括TensorFlow，PyTorch和scikit-learn。</li><li>云计算平台提供了在生产中安装和管理ML模型所需的基础设施和服务。亚马逊网络服务（AWS），Google云平台（GCP）和Microsoft Azure是为MLOps而知名的云计算平台之一。</li></ul><p><strong>MLOps系统包括：</strong></p><ul><li>用于构建的集中式中心。</li><li>发布。</li><li>维护机器学习（ML）模型。</li></ul><p>Kubeflow，MLflow和Prefect是受欢迎的MLOps系统示例。</p><p><strong>如何开始使用MLOps</strong></p><p>您可以采取一些措施来开始使用MLOps：</p><p><strong>选择合适的工具：</strong>MLOps工具有各种形式。选择符合您的要求和预算的工具。</p><p><strong>设置CI / CD流水线：</strong>带有CI / CD流水线的自动化可以将ML模型从开发到生产的过程。</p><p><strong>监控您的ML模型：</strong>密切关注您的生产ML模型的表现。</p><p><strong>结论</strong></p><p>MLOps技术的目标是通过将ML开发和ML部署结合起来，标准化和简化在生产中连续交付高性能模型的过程。企业可以通过加快ML模型的部署速度，提高模型质量和降低ML运营成本从MLOps中受益。您可以采取多种措施开始使用MLOps，例如选择适当的工具，建立CI / CD流水线以及监控您的ML模型。</p> 机器学习运营，或称为MLOps，是一组流程，旨在通过将机器学习（ML）开发和ML部署结合起来，标准化和简化在生产中连续交付高性能模型的过程。 制作和优化ML模型被称为ML开发。部署机器学习模型是将它们发布供在生产环境中使用的过程。 通过自动化将ML模型从开发移到生产所需的过程，MLOps弥合了两种方法之间的差距。这有助于快速有效地部署ML模型，并使其在工业环境中保持成功。 MLOps的好处是什么？…

亚马逊网络服务（AWS）最近宣布了一款开创性的生成式AI助手 – 亚马逊Q，旨在改变工作场所。亚马逊Q突出的特点是能够根据具体的业务需求定制其辅助功能，利用公司的数据和专业知识提供答案、解决问题、生成内容和促进行动。 亚马逊Q的主要特点和能力包括： 满足业务需求的定制化：亚马逊Q可以根据组织已有的身份、角色和权限进行个性化互动。这种定制化确保了助手的回答和建议与公司特定的工作流程和信息系统相关。 安全与隐私：亚马逊Q的一个突出特点是其内置的安全和隐私措施。与其他可能最初不包含这些关键特性的生成式AI解决方案不同，亚马逊Q设计时就考虑了这些因素。 开发人员和IT支持：对于开发人员和IT专业人员来说，亚马逊Q是一个知识渊博的助手，可以帮助处理从故障排除到代码优化的各种任务。它经过了AWS的知识和经验培训，在各种AWS服务和工具上提供见解和解决方案。 功能开发和代码转换：亚马逊Q帮助开发新功能和转换现有代码，简化应用程序开发和维护。它可以自动化开发过程的许多方面，减少开发人员所需的时间和精力。 与业务数据和系统的集成：助手可以连接到公司的数据和系统，为问题解决和内容生成提供量身定制的帮助。这种能力使员工能够充分利用生成式AI，有效利用内部资源。 管理控制：亚马逊Q允许管理员对其可以处理的主题和可以提供的回答设定控制，确保其使用符合公司政策和数据访问限制。 在各种服务中的广泛应用：亚马逊Q扩展其能力到各种AWS服务和应用程序，包括Amazon QuickSight、Amazon Connect和AWS供应链。这种整合使得能够更高效地执行各种领域特定任务。 亚马逊Q代表了生成式AI在工作场所应用的重大进展，提供了一个多功能、安全、定制化的助手，可以增加各种业务功能的生产力和创新能力。 本文来源：亚马逊推出Q：一款可以专门为企业定制的生成式AI聊天机器人 – MarkTechPost