👨💻Любая ML-модель рано или поздно требует переобучения. В этом процессе много ручного труда. Например, при выделении проблемных областей в данных, при загрузке данных в сервис аннотирования, при переносе размеченных данных в процесс переобучения.
И если над Data Science командой все чаще мигает красная лампочка с надписью "занят", тут можно задуматься о переходе на MLOps.
После настройки MLOps команда может в разы снизить ручной труд, собирать pipe line'ы pipe line'ов - объединять цепочки процессов с помощью триггеров и уведомлений, делать интеграции с third party сервисами.
Как это сделать с помощью Kubeflow, Terraform и Google cloud platform недавно рассказали наши друзья из OpsGuru. Недавно они закончили настройку MLOps для сервиса, который выделяет зрелищные моменты в спортивных трансляциях и собирает из них короткие видеоролики. По его следам решили подробнее рассказать о решениях для создания действительно циклического жизненного цикла для современной ML-модели.
Запись трансляции по ссылке:
https://youtu.be/nv7lpdFF2dA