Enable javascript in your browser for better experience. Need to know to enable it? Go here.
Atualizado em : Apr 13, 2021
NÃO ENTROU NA EDIÇÃO ATUAL
Este blip não está na edição atual do Radar. Se esteve em uma das últimas edições, é provável que ainda seja relevante. Se o blip for mais antigo, pode não ser mais relevante e nossa avaliação pode ser diferente hoje. Infelizmente, não conseguimos revisar continuamente todos os blips de edições anteriores do Radar. Saiba mais
Apr 2021
Trial ? Vale a pena ir atrás. É importante entender como desenvolver essa capacidade. As empresas devem experimentar esta tecnologia em um projeto que possa lidar com o risco.

MLflow é uma ferramenta de código aberto para rastreamento de experimentos de aprendizado de máquina e gerenciamento de ciclo de vida. O fluxo de trabalho para desenvolver e evoluir continuamente um modelo de aprendizado de máquina inclui uma série de experimentos (uma coleção de execuções), rastreamento de desempenho desses experimentos (uma coleção de métricas) e rastreamento e ajuste de modelos (projetos). O MLflow facilita esse fluxo de trabalho muito bem, suportando os padrões abertos existentes e se integrando bem com muitas outras ferramentas no ecossistema. O MLflow como um serviço gerenciado por Databricks na nuvem, disponível em AWS e Azure, está amadurecendo rapidamente e temos usado com sucesso em nossos projetos. Consideramos o MLflow uma ótima ferramenta para gerenciamento e rastreamento de modelos, com suporte para modelos de interação baseados em UI e API. Nossa única e crescente preocupação é que o MLflow tenta entregar muitas questões conflitantes como uma única plataforma, por exemplo, modelos de serviço e pontuação.

Oct 2020
Trial ? Vale a pena ir atrás. É importante entender como desenvolver essa capacidade. As empresas devem experimentar esta tecnologia em um projeto que possa lidar com o risco.

MLflow é uma ferramenta de código aberto para rastreamento de experimentos de aprendizado de máquina e gerenciamento de ciclo de vida. O fluxo de trabalho para desenvolver e evoluir continuamente um modelo de aprendizado de máquina inclui uma série de experimentos (uma coleção de execuções), rastreamento de desempenho desses experimentos (uma coleção de métricas) e rastreamento e ajuste de modelos (projetos). O MLflow facilita esse fluxo de trabalho muito bem, suportando os padrões abertos existentes e se integrando bem com muitas outras ferramentas no ecossistema. O MLflow como um serviço gerenciado por Databricks na nuvem, disponível em AWS e Azure, está amadurecendo rapidamente e temos usado com sucesso em nossos projetos. Consideramos o MLflow uma ótima ferramenta para gerenciamento e rastreamento de modelos, com suporte para modelos de interação baseados em UI e API. Nossa única e crescente preocupação é que o MLflow tenta entregar muitas questões conflitantes como uma única plataforma, por exemplo, modelos de serviço e pontuação.

Publicado : Oct 28, 2020

Baixe o PDF

 

 

 

English | Español | Português | 中文

Inscreva-se para receber o boletim informativo Technology Radar

 

 

Seja assinante

 

 

Visite nosso arquivo para acessar os volumes anteriores