Soluções em nuvem para o TFX

Procurando insights sobre como o TFX pode ser aplicado para construir uma solução que atenda às suas necessidades? Esses artigos e guias detalhados podem ajudar!

Observação: estes artigos discutem soluções completas nas quais o TFX é uma parte fundamental, mas não a única. Este é quase sempre o caso em implantações no mundo real. Portanto, implementar você mesmo essas soluções exigirá mais do que apenas TFX. O objetivo principal é fornecer algumas dicas sobre como outras pessoas implementaram soluções que podem atender a requisitos semelhantes aos seus, e não servir como um livro de receitas ou lista de aplicativos aprovados do TFX.

Arquitetura de um sistema de aprendizado de máquina para correspondência de itens em tempo quase real

Use este documento para saber mais sobre a arquitetura de uma solução de aprendizado de máquina (ML - Machine Learning) que aprende e fornece embeddings de itens. Os embeddings podem ajudar você a entender quais itens seus clientes consideram semelhantes, o que permite oferecer sugestões de "itens semelhantes" em tempo real no seu aplicativo. Esta solução mostra como identificar músicas semelhantes num dataset e como usar essas informações para fazer recomendações de músicas. Leia mais

Pré-processamento de dados para aprendizado de máquina: opções e recomendações

Este artigo em duas partes explora o tópico da engenharia de dados e engenharia de características para o aprendizado de máquina (ML). Esta primeira parte discute as práticas recomendadas de pré-processamento de dados num pipeline de aprendizado de máquina no Google Cloud. O artigo foca no uso do TensorFlow e da biblioteca de código aberto TensorFlow Transform (tf.Transform) para preparar dados, treinar o modelo e servir o modelo para previsão. Esta parte destaca os desafios do pré-processamento de dados para aprendizado de máquina e ilustra as opções e cenários para realizar a transformação de dados no Google Cloud de maneira eficaz. Parte 1 Parte 2

Arquitetura para o MLOps usando TFX, Kubeflow Pipelines e Cloud Build

Este documento descreve a arquitetura geral de um sistema de aprendizado de máquina (ML) usando bibliotecas TensorFlow Extended (TFX). Ele também discute como configurar integração contínua (CI), entrega contínua (CD) e treinamento contínuo (CT) para o sistema de ML usando Cloud Build e Kubeflow Pipelines. Leia mais

MLOps: entrega contínua e pipelines de automação em aprendizado de máquina

Este documento discute técnicas para implementar e automatizar integração contínua (CI), entrega contínua (CD) e treinamento contínuo (CT) para sistemas de aprendizado de máquina (ML). A ciência de dados e o ML estão se tornando recursos essenciais para resolver problemas complexos do mundo real, transformar indústrias e agregar valor em todos os domínios. Leia mais

Como configurar um ambiente MLOps no Google Cloud

Este guia de referência descreve a arquitetura de um ambiente de operações de aprendizado de máquina (MLOps) no Google Cloud. O guia vem com laboratórios práticos no GitHub que orientam você no processo de provisionamento e configuração do ambiente descrito aqui. Praticamente todas as indústrias estão adotando o aprendizado de máquina (ML) num ritmo cada vez mais acelerado. Um desafio importante para obter valor do ML é criar maneiras de implantar e operar sistemas de ML de maneira eficaz. Este guia destina-se a engenheiros de aprendizado de máquina (ML - Machine Learning) e DevOps. Leia mais

Requisitos principais para uma fundação MLOps

As organizações orientadas por IA estão usando dados e aprendizado de máquina para resolver seus problemas mais difíceis e já estão colhendo os frutos.

“As empresas que absorverem totalmente a IA nos seus workflows de produção de valor até 2025 dominarão a economia mundial de 2030, com um crescimento de fluxo de caixa de +120%”, de acordo com o McKinsey Global Institute.

Mas não é fácil agora. Os sistemas de aprendizado de máquina (ML) têm uma capacidade especial de criar dívida técnica se não forem bem geridos. Leia mais

Como criar e implantar um cartão modelo (model card) na nuvem com Scikit-Learn

Modelos de aprendizado de máquina agora estão sendo usados ​​para realizar muitas tarefas desafiadoras. Com seu vasto potencial, os modelos de ML também levantam questões sobre seu uso, construção e limitações. Documentar as respostas a essas perguntas ajuda a trazer clareza e compreensão compartilhada. Para ajudar a alcançar esses objetivos, o Google introduziu cartões modelo (model cards). Leia mais

Análise e validação de dados em escala para aprendizado de máquina com o TensorFlow Data Validation

Este documento discute como usar a biblioteca TensorFlow Data Validation (TFDV) para exploração de dados e análise descritiva durante a experimentação. Cientistas de dados e engenheiros de aprendizado de máquina (ML) podem usar o TFDV num sistema de ML em produção para validar dados usados ​​num pipeline de treinamento contínuo (CT) e para detectar desvios e outliers nos dados recebidos para serviço de previsão. Inclui laboratórios práticos. Leia mais