Enable javascript in your browser for better experience. Need to know to enable it? Go here.
radar blip
radar blip

Llevar "notebooks" a producción

La información en esta página no se encuentra completamente disponible en tu idioma de preferencia. Muy pronto esperamos tenerla completamente disponible en otros idiomas. Para obtener información en tu idioma de preferencia, por favor descarga el PDF aquí.
Última actualización : Oct 28, 2020
NO EN LA EDICIÓN ACTUAL
Este blip no está en la edición actual del Radar. Si ha aparecido en una de las últimas ediciones, es probable que siga siendo relevante. Si es más antiguo, es posible que ya no sea relevante y que nuestra valoración sea diferente hoy en día. Desgraciadamente, no tenemos el ancho de banda necesario para revisar continuamente los anuncios de ediciones anteriores del Radar. Entender más
Oct 2020
Hold ? Continuar con precaución

En las últimas décadas, los notebooks computacionales, mostrados por primera vez por Wolfram Mathematica, han evolucionado para dar soporte a los flujos de trabajo de investigación científica, exploración y educación. De forma natural, al soportar flujos de trabajo de ciencia de datos y mediante herramientas como Jupyter notebooks y Databricks notebooks, se han convertido en un gran complemento al proporcionar un entorno interactivo de computación simple e intuitivo para combinar código que analiza datos junto con texto enriquecido y visualización para contar una historia de datos. Los notebooks se diseñaron para ser el mejor medio para la comunicación y la innovación científica moderna. Sin embargo, en los últimos años, hemos visto una tendencia a utilizar los notebooks como medio para la ejecución de código de calidad de producción utilizado generalmente para guiar operaciones empresariales. Hemos visto a proveedores de plataformas de notebooks publicitando el uso de notebooks exploratorios en producción. Este es un caso de buenas intenciones, por intentar democratizar la programación para científicas de datos, con una implementación incorrecta y a cambio de escalabilidad, mantenibilidad, adaptabilidad y otras cualidades que un código de producción longevo necesita proporcionar. Por ello, no recomendamos llevar notebooks a producción y, en su lugar, animamos a empoderar a las personas científicas de datos para que construyan código de calidad para producción con los frameworks de programación adecuados, y así simplificar el uso de herramientas de entrega continua y abstraer la complejidad a través de plataformas de aprendizaje automático de punta a punta.

Apr 2019
Hold ? Continuar con precaución

Jupyter Notebooks have gained in popularity among data scientists who use them for exploratory analyses, early-stage development and knowledge sharing. This rise in popularity has led to the trend of productionizing Jupyter Notebooks, by providing the tools and support to execute them at scale. Although we wouldn't want to discourage anyone from using their tools of choice, we don't recommend using Jupyter Notebooks for building scalable, maintainable and long-lived production code — they lack effective version control, error handling, modularity and extensibility among other basic capabilities required for building scalable, production-ready code. Instead, we encourage developers and data scientists to work together to find solutions that empower data scientists to build production-ready machine learning models using continuous delivery practices with the right programming frameworks. We caution against productionization of Jupyter Notebooks to overcome inefficiencies in continuous delivery pipelines for machine learning, or inadequate automated testing.

Publicado : Apr 24, 2019

Descargar Radar Tecnológico Volumen 29

 

English | Español | Português | 中文

Mantente informado sobre la tecnología

 

Suscríbete ahora

Visita nuestro archivo para leer los volúmenes anteriores