回顧磚機器學習的公告從數據& AI峰會

2022年6月30日在Beplay体育安卓版本平台的博客

分享這篇文章

磚的機器學習lakehouse提供端到端的機器學習功能從數據攝入和培訓部署和監控,都在一個統一的經驗,創建一個一致的視圖在ML生命周期和支持更強大的團隊協作。本周的數據和AI峰會上,我們宣布生命周期和生產能力,進一步加快毫升毫升磚。這裏有一個快速回顧主要的公告。

MLflow 2.0包括MLflow管道
MLflow 2.0來臨,將包括一個新的組件,管道。MLflow管道提供了一個結構化的框架,使團隊能夠自動切換從勘探到生產,以便毫升工程師不再需要兼顧手工代碼改寫和重構。MLflow管道模板腳手架預定義的圖形和用戶自定義的步驟和本地集成MLflow其餘的模型生命周期管理工具。管道還提供輔助功能,或“一步卡”,標準化模型評估和數據分析跨項目。你可以嚐試今天MLflow管道的Beta版本MLflow 1.27.0。

MLflow 2.0引入了MLflow管道——預定義,加速毫升生產就緒的模板

Serverless模型端點
Serverless模型端點上部署模型實時推理的生產應用程序。Serverless模型端點提供高可用性,低延遲REST端點,可以設置和配置通過UI或API。用戶可以自定義自動定量處理他們的模型的吞吐量和可預測的流量使用情況,和團隊可以自動定量來節省成本,一直到0。Serverless模型端點也有內置的可觀測性,這樣你就可以保持你的模型之上。現在你的數據科學團隊不需要建立和維護自己的kubernetes基礎設施服務毫升模型。現在報名為封閉的公共預覽版得到通知。

Serverless模型生產級模型服務端點提供由磚

模型的監控
跟蹤生產模型和模型的性能監控。我們的模型監控解決方案自動生成儀表板幫助團隊查看和分析數據和模型質量的漂移。我們還提供底層分析和漂移表δ表所以團隊可以加入性能指標與業務價值指標計算業務影響以及創建警報當指標低於指定的閾值。雖然模型自動計算漂移監測和質量度量,它還為用戶提供了一個簡單的機製將額外的自定義指標。請繼續關注公共預覽版發布…

監控你的部署模型和相關數據為他們在一個集中的位置自動生成的儀表板和報警。