Soluciones de TFX para la nube

¿Busca información sobre cómo se puede aplicar TFX para crear una solución que se adapte a sus necesidades? ¡Estos artículos y guías detallados pueden ayudar!

Nota: En estos artículos se analizan soluciones completas en las que TFX es una pieza clave, pero no la única. Este es casi siempre el caso de las implementaciones del mundo real. Por lo tanto, para implementar estas soluciones por su cuenta necesitará algo más que TFX. El objetivo principal es brindarle una idea de cómo otros han implementado soluciones que pueden cumplir requisitos similares a los suyos, y no servir como un libro de recetas o una lista de aplicaciones aprobadas de TFX.

Arquitectura de un sistema de aprendizaje automático para la comparación de artículos casi en tiempo real

Use este documento para obtener información sobre la arquitectura de una solución de aprendizaje automático (ML) que aprende y ofrece incorporaciones de elementos. Las incorporaciones pueden ayudarle a comprender qué artículos sus clientes consideran similares, lo que le permite ofrecer sugerencias de "artículos similares" en tiempo real en su aplicación. Esta solución le muestra cómo identificar canciones similares en un conjunto de datos y luego utilizar esta información para hacer recomendaciones de canciones. Más información

Preprocesamiento de datos para aprendizaje automático: opciones y recomendaciones

Este artículo de dos partes explora el tema de la ingeniería de datos y la ingeniería de características para el aprendizaje automático (ML). Esta primera parte analiza las mejores prácticas de preprocesamiento de datos en un proceso de aprendizaje automático en Google Cloud. El artículo se centra en el uso de TensorFlow y la biblioteca de código abierto TensorFlow Transform (tf.Transform) para preparar datos, entrenar el modelo y servir el modelo para predicción. Esta parte destaca los desafíos del preprocesamiento de datos para el aprendizaje automático e ilustra las opciones y los escenarios para transformar los datos en Google Cloud de manera efectiva. Parte 1 Parte 2

Arquitectura para MLOps que usan TFX, Kubeflow Pipelines y Cloud Build

Este documento describe la arquitectura general de un sistema de aprendizaje automático (ML) que usa bibliotecas TensorFlow Extended (TFX). También analiza cómo configurar una integración continua (CI), entrega continua (CD) y entrenamiento continuo (CT) para el sistema ML con Cloud Build y Kubeflow Pipelines. Más información

MLOps: canalizaciones de automatización y entrega continua en aprendizaje automático

Este documento analiza técnicas para implementar y automatizar la integración continua (CI), la entrega continua (CD) y el entrenamiento continuo (CT) para sistemas de aprendizaje automático (ML). La ciencia de datos y el aprendizaje automático se están convirtiendo en capacidades fundamentales para resolver problemas complejos del mundo real, transformar industrias y ofrecer valor en todos los ámbitos. Más información

Cómo configurar un entorno MLOps en Google Cloud

Esta guía de referencia describe la arquitectura de un entorno de operaciones de aprendizaje automático (MLOps) en Google Cloud. La guía va acompañada de laboratorios prácticos en GitHub que lo guiarán a través del proceso de aprovisionamiento y configuración del entorno que se describe aquí. Prácticamente todas las industrias están adoptando el aprendizaje automático (ML) a un ritmo acelerado. Un desafío clave para obtener valor del ML es crear formas de implementar y operar sistemas de ML de manera efectiva. Esta guía está destinada a ingenieros de aprendizaje automático (ML) y DevOps. Más información

Requisitos clave para una fundación de MLOps

Las organizaciones impulsadas por la IA están usando datos y aprendizaje automático para resolver sus problemas más difíciles y están cosechando los frutos.

“Las empresas que incorporen plenamente la IA a sus flujos de trabajo de producción de valor para 2025 dominarán la economía mundial de 2030 con un crecimiento del flujo de caja del +120 %”, de acuerdo con McKinsey Global Institute.

Pero no es fácil ahora. Los sistemas de aprendizaje automático (ML) tienen una capacidad especial para crear deuda técnica si no se gestionan bien. Más información

Cómo crear e implementar una tarjeta modelo en la nube con Scikit-Learn

Actualmente se utilizan modelos de aprendizaje automático para llevar a cabo muchas tareas difíciles. Con su enorme potencial, los modelos de ML también plantean preguntas sobre su uso, construcción y limitaciones. Documentar las respuestas a estas preguntas ayuda a aportar claridad y comprensión compartida. Para ayudar a lograr estos objetivos, Google ha introducido tarjetas modelo. Más información

Análisis y validación de datos a escala para aprendizaje automático con TensorFlow Data Validation

En este documento se analiza cómo usar la biblioteca TensorFlow Data Validation (TFDV) para exportar datos y hacer un análisis descriptivo durante la experimentación. Los científicos de datos y los ingenieros de aprendizaje automático (ML) pueden usar TFDV en un sistema de ML de producción para validar los datos que se utilizan en una canalización de entrenamiento continuo (CT) y para detectar sesgos y valores atípicos en los datos recibidos para el servicio de predicción. Incluye laboratorios prácticos. Más información