Sistemas MLOps a escala con Krishna Gade

Si bien nos gusta pensar en los flujos de trabajo de ML como narrativas directas desde la experimentación hasta la capacitación, la producción y luego el monitoreo, la realidad para las grandes organizaciones es que todos los pasos ocurren simultáneamente en línea con otros modelos, con datos que cambian y, a veces, desalineados se convierten en entradas de funciones clave. .

Además, las entidades reguladas deben realizar un seguimiento de todos los modelos, cambios y el impacto de esos cambios para el cumplimiento. Ingrese la explicabilidad respaldada por el monitoreo de modelos, muy lejos del monitoreo somnoliento de cambios y anomalías. La gestión del desempeño y el monitoreo de ML de hoy en día requieren la capacidad de detectar cambios y alertar a las personas adecuadas, la capacidad de ayudar a diagnosticar problemas, crear escenarios hipotéticos y la capacidad de modelar con la gobernanza adecuada de vuelta a la producción en tiempo real.