話したネタ
- MLOpsとは何か？
- MLOpsの定義
- MLのおけるモデルとは何か？
- MLOpsで解決する課題とは？
- CACE / Changing Anything Changes Everything
- 学習に使ったデータ管理の難しさ
- メタ情報だけのバージョン管理というプラクティス
- MLに必要なパイプラインを回すのは大変
- ML Superhero、MLからインフラ構築まですべて担う人
- Stockmark社におけるMLOpsに取り組む前のアーキテクチャとは？
- BERTを使ったMLバッチ処理実サービスのアーキテクチャとMLOpsの取り組み
- MLOps取り組み前のアーキテクチャの課題とは？
- 温かみのある手動Opsの自動化
- AWS CodeBuildの権限周りの楽さ
- ワークフローが見えにくい課題をワークフローエンジンで解決する
- AWS Step Functions と AWS Batch の活用
- 今後のMLOpsの野望
- モデルのパフォーマンスを決める上流データバリデーション
- 学習のパイプラインの整理、その目指すべきところは？
- 汎用言語モデルをGoogle TPUでの開発
- MLOpsにどのような気持ちで望んでいるか？
- ペインをどうやって発見しているか？
- 推測するな、計測せよ
- 電笑戦 ~ AIは人を笑わせられるのか 第 2 回 電笑戦の背景と挑戦者
- Stockmark Tech Blog
- エンジニア募集中
39:07
コメント
こちらもおすすめ
-
#61 Using Machine Learning to Improve Streaming Quality at Netflix
Work In Progress
-
15. 良い組織とは何か？どのように良い組織を作っていくのか？
fukabori.fm
-
50. 社内DevOps基盤、Tekton、Cuelang w/ JunMakishi
fukabori.fm
-
82.MLOpsの役割とチーム内コミュニケーション
白金鉱業.FM
-
95. Weights & Biases and Organization Management w/ l2k
fukabori.fm
-
#52 お便り回：MLエンジニアになったときに勉強してたこと
Work In Progress
スクロール