Как компании строят MLOps без собственной ML-платформы: обзор managed-сервисов

В финальной статье цикла рассматриваются managed-сервисы облачных провайдеров как альтернатива собственной ML-платформе. На примерах Google Vertex AI, Yandex DataSphere и Yandex AI Studio анализируются их возможности и польза для команды и бизнеса.

Автор, AI Architect Катерина Цаплина, завершает цикл статей о построении MLOps в компаниях. В предыдущих частях были рассмотрены общие подходы, внутренняя платформа Uber Michelangelo и workflow-фреймворк Netflix Metaflow. В этой статье анализируются managed-сервисы облачных провайдеров: Google Vertex AI, Yandex DataSphere и Yandex AI Studio. Описывается их устройство и преимущества для команд и бизнеса, а также подводятся итоги всей серии.

Источники 1

Как компании строят MLOps без собственной ML-платформы: обзор managed-сервисов Habr AI

Как компании строят MLOps без собственной ML-платформы: managed-сервисы

Всем привет! Меня зовут Катерина Цаплина, я AI Architect и программный эксперт курса «MLOps для разработки и мониторинга моделей». Работаю на стыке ML, инфраструктуры и корпоративной архитектуры в крупной промышленной компании и на практике вижу, насколько непросто выстраивать такие процессы в реальной организации.  

Это четвёртая и финальная статья цикла о том, как компании реализуют MLOps. В предыдущих частях мы разобрали, как компании могут строить MLOps в целом, рассмотрели пример внутренней ML-платформы Uber Michelangelo и на примере Netflix Metaflow разобрались, как workflow-фреймворки помогают навести порядок в ML-разработке.

Сегодня разберём ещё одну альтернативу собственной платформе: managed-сервисы облачных провайдеров. На примерах Google Vertex AI, Yandex DataSphere и Yandex AI Studio рассмотрим, как они устроены и чем будут полезны команде и бизнесу. И, наконец, подведём итог всей серии статей.  Читать далее

#mlops #mlops_tools #yandex_datasphere #yandex_ai_studio #google_vertex_ai | @habr_ai