MLOps — дитя DevOps и ML
literally meОдин ML-проект в проде вам или два другому? Внедрение машинного обучения в производственную среду остаётся одной из главных проблем индустрии. По статистике, 80% ML-проектов
В Cisco поиском сотрудников на связанные с ИИ позиции занялся топ-менеджмент
По сообщению Business Insider, компания Cisco столкнулась с катастрофической нехваткой специалистов по AI и ML Ops. Теперь руководство помогает в их поиске.
Лаборатория Lambda 3.0: Где заканчивается хайп и начинается настоящий ИИ
В 2016 году два студента МАИ — Борис Цейтлин и Андрей Шалкаускас — создали студенческий клуб Lambda с простой идеей: «студент учит студента». В 2018 году под руководством Артемия Мазаева Lambda превратилась в проектную лабораторию, где уже делали реальные проекты — от чат-бота «Элайза» до системы прогнозирования паводков для Сбера.А сегодня, в 2025 году, мы запускаем Lambda 3.0 — исследовательскую лабораторию, полностью сосредоточенную на изучении, создании и защите современных систем искусственного интеллекта.Феномен «второй половины»: Когда хайп заканчивается, а работа начинается
Как построить идеальную «песочницу» для ML-моделей
Привет, Хабр! Я Даниил Салман, техлид по контейнеризации. Эта статья написана по мотивам моего доклада для конференции DevOops. Разберёмся, как сделать такую ML-«песочницу», где Data Scientist пишет код, а всё остальное (установка драйверов, выделение ресурсов, деплой и тренировка модели, сбор метрик) уже настроено на бэкенде. Написали максимально просто и доступно, чтобы понять смог даже человек с минимальным погружением в тему. Идеи из этой статьи можно применять в любой инфраструктуре — важно лишь понимать основы: как работает k8s-кластер, Docker и python-фреймворки. Итак, поехали!
Стек начинающего дата-сайентиста в 2026: инструменты для роста
Краткий гид: от хаоса к профессиональной разработке моделей машинного обученияПривет! Я Максим Катрушенко, главный специалист по анализу данных и машинному обучению в ПГК Диджитал. В свое предыдущей статье
NVIDIA открыла исходный код KAI Scheduler — планировщика, ранее использовавшегося в платформе Run:ai
Деплой ML-моделей: что от вас реально ждут на работе
Новички часто не понимают, что именно считается деплоем ML-модели и насколько глубоко в этом нужно разбираться. Ниже я покажу, как деплой выглядит на практике, насколько он важен для начинающего ML-инженера и с какими технологиями имеет смысл познакомиться в первую очередь.Деплой ML-модели — это момент, когда обученная модель становится частью продукта. Модель перестаёт жить в ноутбуке и начинает работать в бизнес-логике: её можно вызывать из других сервисов и систем.В вакансиях ML-инженеров часто упоминают десятки технологий, связанных с деплоем: Docker, Kubernetes, CI/CD и другие.
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
