Мнение Программного комитета о докладе
Вывод нескольких моделей в прод часто оказывается сложной проблемой. Спикер поделится своим решением с практическими советами для тех, кто сейчас уже пытается отмасштабировать работу DS.
Как создать ML-платформу по выводу 100 моделей в неделю
Доклад принят в программу конференции
Целевая аудитория
Middle, Senior, TeamLead DevOps-инженеры, DS, DE, MLOps. Владельцы платформ по разработке моделей машинного обучения, которые хотят повысить ее эффективность.
Тезисы
Сфера машинного обучения постоянно развивается, команды разработки расширяются, а вместе с ними растет и число моделей. Также появляется и проблема удобства совместного труда и вывода гигантского количества моделей в production.
В докладе я расскажу о способах создания удобной среды разработки на основе платформы Kubernetes, ориентированной на команды с более чем двумя сотнями Data Scientists и Data Engineers, позволяющей выпускать более 100 моделей в течение нескольких недель. Данная платформа уже реализована в Альфа-Банке.
В этом докладе я поделюсь:
* какие сложности встречаются при работе с JupyterHub с большой командой;
* как объединить множество инструментов из жизненного цикла машинного обучения;
* где эффективно хранить и как использовать данные;
* как можно просто настроить вывод и переобучение не только отдельных моделей, но и целых ансамблей.
MLOps-инженер с впечатляющим опытом в создании нескольких платформ по машинному обучению, включая одну, которая успешно зарегистрирована в государственном реестре официальных программ. Профессиональный путь начал как DevOps, успешно внедрял передовые практики в области разработки различных сервисов и платформ.
Обладатель диплома бакалавра с отличием от «Университета «Дубна».
В настоящее время продолжает свое образование в магистратуре ИТМО по направлению «Безопасность систем искусственного интеллекта».
Кроме того, активно участвует в различных конференциях как спикер, передавая свой опыт и знания. Выступления на открытых и закрытых мероприятиях позволяют Александру делиться лучшими найденными практиками с сообществом.
Его достижения не ограничиваются исключительно техническим аспектом работы. Активно участвует в различных событиях во время учебы и имеет множество увлечений.
KTS, Альфа-Банк
KTS разрабатывает цифровые сервисы для бизнеса. Специализируется на HR Tech, EdTech, Маркетинговых технологиях, DevOps и кастомных веб- и мобильных сервисах.
Альфа-Банк, Финансы, IT.
Видео
Другие доклады секции
Big Data и Data Engineering
