| 詳細信息 |
MLOps技術(shù)路徑 |
| 編輯： 來源：頭豹研究院 時間：2023/6/14 |
1 需求分析與開發(fā) 需求 / 問題 提出 可行性分析 技術(shù)選型 數(shù)據(jù)&算法 設計方案 算法 / 數(shù)據(jù)腳本 / 服務開發(fā) 2 數(shù)據(jù)工程流水線 數(shù)據(jù)接入 數(shù)據(jù)探索 數(shù)據(jù)處理 特征工程 3 模型試驗流水線 數(shù)據(jù)分析 模型訓練 模型評估 模型導出 4 DevOps 代碼倉 掃描-翻譯-測試-打包 發(fā)布 持續(xù)集成流水線 觸發(fā) CI 流水線（代碼 +數(shù)據(jù)+模型持續(xù)集成） 5 持續(xù)訓練流水線 數(shù)據(jù)處理 持續(xù)訓練流水線 模型（重）訓練 模型評估 模型倉庫 6 持續(xù)部署流水線 模型部署 流量管理 效果評估 7 持續(xù)監(jiān)控流水線 操作記錄 流水線監(jiān)控 模型監(jiān)控 數(shù)據(jù)監(jiān)控 資源監(jiān)控 ······
|
| 【聲明：轉(zhuǎn)載此文出于傳遞更多信息之目的，并不意味著贊同其觀點或證實其描述，文章內(nèi)容僅供參考，如有侵權(quán)，請聯(lián)系刪除�！� |
| 推薦信息 |
|
數(shù)據(jù)為中心MLOps與模型AutoML為中心的不同
MLOps側(cè)重于用于訓練和評估ML模型的數(shù)據(jù).數(shù)據(jù)的質(zhì)量和數(shù)量更關鍵;AutoML優(yōu)先考慮尋找最佳算法或神經(jīng)網(wǎng)絡架構(gòu)來解決手頭的問題
平臺對于數(shù)據(jù)驅(qū)動的AI重要性
有助于管理數(shù)據(jù)驅(qū)動AI解決方案的可擴展性;共享見解和共同處理數(shù)據(jù)和模型的工具和功能;幫助跟蹤實驗,管理模型版本并確保結(jié)果的可重復性
以數(shù)據(jù)為中心的AI應用優(yōu)勢顯著
數(shù)據(jù)驅(qū)動的AI可以提高泛化能力;擴充或優(yōu)化用于訓練的數(shù)據(jù)來微調(diào)模型更容易;數(shù)據(jù)驅(qū)動的AI協(xié)助模型抵抗對抗性攻擊;鼓勵遷移學習
以模型為中心的AI應用痛點：資源、成本要求高等
模型驅(qū)動的AI通常涉及具有大量參數(shù)的復雜模型;模型驅(qū)動的AI中復雜模型的訓練需要時間長;復雜模型通常較難解釋和理解
2016-2022年人工智能產(chǎn)業(yè)相關政策梳理
關于規(guī)范和加強人工智能司法應用的意見,關于加快場景創(chuàng)新以人工智能高水平應用促進經(jīng)濟高質(zhì)量發(fā)展的指導意見,關于支持建設新一代人工智能示范應用場景的通知
AI應用于交通行業(yè),創(chuàng)造經(jīng)濟價值
新能源車的持續(xù)滲透為人工智能在交通領域的滲透的占提供了一片沃土，人工智能有望創(chuàng)造超過 3,800 億美元的經(jīng)濟價值
AI廣泛應用于各行各業(yè) 有較大增長空間
人工智能有利于促進制造業(yè)從生產(chǎn)執(zhí)行向制造創(chuàng)新轉(zhuǎn)型,創(chuàng)造超過千億美元的經(jīng)濟價值,利用數(shù)字孿生和機器學習模擬,測試和驗證生產(chǎn)流程的結(jié)果
索菲亞讀完了一本書的三分之二 讀完的比她還沒有讀完的多了90頁 請問她的書總共有多少頁
已知索菲亞讀完了一本書的三分之二,她讀完的比她還沒有讀完的多 了90頁;設索菲亞的書總共有x頁,得到以下方程: $\frac{2}{3}x-\frac{1}{3}x=90$ |
| 智能運輸機器人 |
| AGV無人運輸機器人-料箱版 |
| AGV無人運輸機器人-標準版 |
| AGV無人運輸機器人-料箱版（鈑金材質(zhì)） |
| AGV無人運輸機器人-貨架版（鈑金材質(zhì)） |
| AGV無人運輸機器人-貨架版（亮面不銹鋼材質(zhì)） |
| AGV無人運輸機器人-開放版 |
| 行業(yè)動態(tài) |
