dvc.
ML‑пайплайн как конечный автомат: от данных до аудита решений
Привет, Хабр! Меня зовут Андрей Бирюков. Я — независимый эксперт в области ИТ и ИБ, преподаю в учебных центрах и пишу статьи и книги. Сегодня мы поговорим об очень злободневной теме — отладке. Да, для машинного обучения эта тема тоже очень актуальна. Давайте представим, что вы выкатили новую модель в продуктив. Через неделю бизнес приходит с вопросом: «Почему в пятницу модель одобрила кредит клиенту с просрочкой, а в понедельник — отказала такому же?»
Как прийти к использованию Airflow, и причём тут Data Version Control (DVC)
Всем доброго времени суток! Меня зовут Никифоров Сергей, я ML-инженер из команды рекомендательных систем в компании ТехВилл.
Как превратить хаотичный ML-проект в систему: пошаговый гайд по DVC + GitHub Actions
Если ваш эксперимент нельзя воспроизвести командой git checkout && dvc pull, а model_final_v2_new.pth - норма, у вас проблема с ML-инженерией. Дело в воспроизводимости, которую вы теряете уже сегодня. Никакой сложной инфраструктуры (всего два инструмента). Что нужно: DVC для контроля версий данных и моделей + GitHub Actions для автоматизации. В связке они дадут вам полноценный ML-пайплайн бесплатно и за один вечер :)⠀⠀Почему это важно СЕЙЧАС? (даже для сольного проекта)?Проблема без пайплайна
Машинное обучение в продуктовой разработке, где его не ожидают
Базовые подходы и подводные камни
