Bonnes pratiques d'architecture pour le machine learning

Se connecter

Rubrique sélectionnée : Opérations de machine learning (MLOPs)

Démarrer
Apprendre et concevoir
Créer et tester
Déployer
Auditer et optimiser

Lentille ML AWS Well-Architected

Nous proposons un ensemble de bonnes pratiques et de conseils éprouvés, indépendants du cloud et de la technologie, pour les charges de travail liées à l'apprentissage automatique.

Analyse approfondie de la catégorie : Machine Learning

Découvrez comment ajouter de l'intelligence à vos applications et créer, former et déployer rapidement des modèles de machine learning à grande échelle.

Pourquoi devriez-vous utiliser MLOps ?

Nous expliquons comment la discipline des opérations ML (MLOps) peut vous aider à utiliser l'IA/ML pour transformer votre entreprise à grande échelle.
Développons une architecture ! Architecture pour le machine fearning

Nous vous apprenons à le construire avec AWS CDK, à architecturer votre système pour les MLOps, et à automatiser le déploiement des solutions pour les tests A/B.

Feuille de route de la base MLOps pour les entreprises avec Amazon SageMaker

Nous vous expliquons les étapes clés de la création d'une base MLOps, la manière dont plusieurs personnes travaillent ensemble sur cette base et nos outils spécialement conçus.

Construire une plateforme de machine learning sécurisée pour les entreprises sur AWS

Nous fournissons des modèles d'architecture, des exemples de code et les meilleures pratiques pour créer une plateforme de machine learning d'entreprise sur AWS.
Automatisez les MLOps avec les projets SageMaker

Nous vous montrons comment automatiser les MLOps avec les projets Amazon SageMaker pour vous aider à standardiser les pratiques de gouvernance dans les projets de machine learning.

Automatisation des flux de travail de machine learning

Nous vous expliquons comment créer et automatiser des flux de travail d'apprentissage automatique de bout en bout à l'aide d'Amazon SageMaker.

Procédure pas à pas du projet MLOps de SageMaker

Nous démontrons l'utilisation des projets Amazon SageMaker MLOps pour créer un système CI/CD pour construire, former et déployer des modèles.
Orchestrateur de charge de travail MLOps

Déployez une solution qui vous aide à rationaliser et à appliquer les meilleures pratiques d'architecture pour la production de modèles de machine learning.

Déployez une solution MLOps qui héberge les points de terminaison de vos modèles dans AWS Lambda

Lancez une solution basée sur une approche de machine learning entièrement pilotée par CI/CD, que vous pouvez adapter à vos cas d'utilisation.

Amélioration de la précision des prévisions avec le Machine Learning

Déployez une solution qui produit des prévisions et des tableaux de bord de visualisation pour Amazon QuickSight ou Amazon SageMaker Jupyter Notebooks.
Optimisez vos déploiements de machine learning avec Auto Scaling sur Amazon SageMaker

Nous proposons un modèle de conception permettant d'obtenir la bonne configuration de mise à l'échelle automatique pour vos applications basées sur la ML.

Surveillez la qualité, le biais et l'explicabilité des données et des modèles

Découvrez comment configurer la surveillance continue de la qualité des modèles de machine learning Amazon SageMaker en production.

Créer un flux de travail MLOps inter-comptes en utilisant le registre de modèles de SageMaker

Nous abordons les fonctionnalités multi-comptes d'Amazon SageMaker qui vous permettent de partager et de gérer des groupes de modèles ainsi que de gérer des versions de modèles.

Filtrer par :

Effacer tous les filtres

Aucun résultat trouvé.
Sélectionnez des critères différents, vérifiez l'orthographe ou essayez d'autres mots-clés.

1 …

…

Articles de blog consacrés au machine learning

Aucun article de blog correspondant aux critères sélectionnés n'a été trouvé.

Plus...

Cette page vous a-t-elle été utile ?

Commentaires