Главная/ML Engineering

ML
ENGINEERING

Инженерия машинного обучения — это практика разработки, развертывания и поддержки ML-моделей в производственной среде. От экспериментов до масштабируемых сервисов.

MLOPS СТЕК

Data Validation

Обеспечение качества данных

Great ExpectationsPanderaTensorFlow Data Validation

Feature Store

Централизованное хранение фичей

FeastHopsworksTecton

Model Serving

Продакшн-инференс моделей

TensorFlow ServingTorchServeTriton

Workflow Orchestration

Оркестрация ML пайплайнов

AirflowKubeflowMetaflow

Monitoring

Наблюдаемость моделей

EvidentlyWhylogsPrometheus

MLOPS ОСНОВЫ

MLOps Guide

Принципы и лучшие практики MLOps

Made With ML

End-to-end проекты с деплоем

MLOps Zoomcamp

Практический курс по MLOps

MLOps Roadmap

Путь изучения MLOps

ДЕПЛОЙ МОДЕЛЕЙ

MLflow Docs

Управление ML жизненным циклом

BentoML

Сервисы для моделей в продакшене

FastAPI для ML

Создание API для моделей

KFServing

Сервинг моделей на Kubernetes

МОНИТОРИНГ

Evidently AI

Мониторинг дрейфа данных

Prometheus + Grafana

Метрики и алерты

Arize AI

Observability платформа

Whylogs

Логирование данных и моделей

CLOUD ML

AWS SageMaker

ML сервисы от AWS

Vertex AI

Google Cloud ML платформа

Azure ML

Microsoft ML решения

Databricks ML

Единая платформа для ML

Инструменты

DockerKubernetesTerraformGitHub ActionsDVCWeights & BiasesFlyteSeldon Core

Принципы MLOps

  • 🔁

    Reproducibility

    Воспроизводимость экспериментов и результатов

  • 🏷️

    Versioning

    Контроль версий данных, кода и моделей

  • 🔄

    CI/CD

    Непрерывная интеграция и доставка для ML

  • 👀

    Monitoring

    Отслеживание работы моделей в продакшене

Книги по MLOps