Как устроена ML-платформа Michelangelo и какие базовые принципы из неё важно усвоить

Привет! Меня зовут Катерина Цаплина, я программный эксперт курса «MLOps для разработки и мониторинга моделей», и это вторая статья цикла о том, как компании реализуют MLOps. В предыдущей части мы разбирали, какие архитектурные подходы скрываются за MLOps: от workflow-фреймворков до managed-сервисов и внутренних платформ. В этой статье хочу разобрать один из самых известных платформенных кейсов — Michelangelo компании Uber. Он ценен тем, что наглядно показывает, как ML-платформа вырастает из практических задач и затем эволюционирует вместе с изменением сценариев: от классического ML к deep learning и LLMOps. Поговорим о том, как устроена платформа, какие сущности и слои в ней ключевые и почему этот пример остаётся полезным. Посмотрим на Michelangelo через призму российских реалий, порассуждаем о связи между зрелостью ML в компании и сложностью корпоративного ландшафта, а также о том, когда платформа действительно становится оправданной.

https://habr.com/ru/companies/yandex_praktikum/articles/1031378/

#mlops #mlopsплатформа #mlплатформа #uber_michelangelo

czajkadev (@czajkadev)

@theo의 최근 영상 내용처럼, AI 성능 향상의 핵심 병목이 모델 자체보다 컴퓨트(연산 자원)였다는 점을 짚는 트윗입니다. AI 개발과 인프라 측면에서 중요한 인사이트를 담고 있습니다.

https://x.com/czajkadev/status/2052101699188248990

#compute #ai #inference #mlops #infrastructure

AI PoC 이후 프로젝트가 멈추는 이유: 제품 팀을 위한 데이터 준비도 가이드

AI PoC 성공이 프로덕션 성공으로 이어지지 않는 주된 원인은 모델 성능이 아니라 파편화된 데이터와 운영 불가능한 아키텍처에 있다.

🔗 원문 보기

Sleepless night, but worth it. A new data ingestion optimization just went live, cutting our signal processing latency by 12ms. A small win, but these compound. For our models, fresher data means a potentially clearer signal. The hunt for efficiency is relentless.

https://gprophet.com

#AI #Quant #DataEngineering #MLOps #Fintech