TFX を適用してニーズを満たすソリューションを構築する方法についての洞察をお探しですか?これらの詳細な記事とガイドが役に立つかもしれません。
ほぼリアルタイムのアイテム照合のための機械学習システムのアーキテクチャ
このドキュメントを使用して、アイテムの埋め込みを学習して提供する機械学習 (ML) ソリューションのアーキテクチャについて学習します。埋め込みは、顧客が類似していると考えるアイテムを理解するのに役立ち、アプリケーション内でリアルタイムの「類似アイテム」の提案を提供できるようになります。このソリューションでは、データセット内で類似した曲を特定し、この情報を使用して曲を推奨する方法を示します。続きを読む
機械学習のためのデータ前処理: オプションと推奨事項
この 2 部構成の記事では、機械学習 (ML) のためのデータ エンジニアリングと特徴エンジニアリングのトピックについて説明します。この最初のパートでは、Google Cloud 上の機械学習パイプラインでデータを前処理するベスト プラクティスについて説明します。この記事では、TensorFlow とオープンソースの TensorFlow Transform (tf.Transform) ライブラリを使用して、データを準備し、モデルをトレーニングし、予測用にモデルを提供することに焦点を当てています。このパートでは、機械学習のためのデータの前処理の課題に焦点を当て、Google Cloud でデータ変換を効果的に実行するためのオプションとシナリオを説明します。パート 1パート 2
TFX、Kubeflow Pipelines、Cloud Build を使用した MLOps のアーキテクチャ
このドキュメントでは、TensorFlow Extended (TFX) ライブラリを使用した機械学習 (ML) システムの全体的なアーキテクチャについて説明します。また、Cloud Build と Kubeflow Pipelines を使用して ML システムの継続的インテグレーション (CI)、継続的デリバリー (CD)、継続的トレーニング (CT) をセットアップする方法についても説明します。続きを読む
MLOps: 機械学習における継続的デリバリーと自動化パイプライン
このドキュメントでは、機械学習 (ML) システムの継続的インテグレーション (CI)、継続的デリバリー (CD)、および継続的トレーニング (CT) を実装および自動化する手法について説明します。データ サイエンスと ML は、現実世界の複雑な問題を解決し、業界を変革し、あらゆる領域で価値を提供するための中核となる機能になりつつあります。続きを読む
Google Cloud での MLOps 環境のセットアップ
このリファレンス ガイドでは、Google Cloud 上の機械学習オペレーション（MLOps）環境のアーキテクチャの概要を説明します。このガイドには、ここで説明する環境のプロビジョニングと構成のプロセスを順を追って説明する GitHub のハンズオン ラボが付属しています。事実上すべての業界で機械学習 (ML) の導入が急速に進んでいます。 ML から価値を引き出すための主な課題は、ML システムを効果的に展開して運用する方法を作成することです。このガイドは、機械学習 (ML) および DevOps エンジニアを対象としています。続きを読む
MLOps 基盤の主要な要件
AI 主導の組織は、データと機械学習を使用して最も困難な問題を解決し、その成果を享受しています。
マッキンゼー グローバル インスティテュートによると、「2025 年までに価値を生み出すワークフローに AI を完全に取り入れた企業は、キャッシュ フローの成長率が 120% 以上になり、2030 年の世界経済を支配することになるでしょう」とのことです。
しかし、今は簡単ではありません。機械学習 (ML) システムは、適切に管理しないと技術的負債を生み出す特別な機能を備えています。続きを読む
Scikit-Learn を使用してクラウドにモデル カードを作成してデプロイする方法
機械学習モデルは現在、多くの困難なタスクを達成するために使用されています。 ML モデルには膨大な可能性があるため、その使用方法、構築、制限についての疑問も生じます。これらの質問に対する答えを文書化すると、明確になり、共通の理解を得ることができます。これらの目標を推進するために、Google はモデル カードを導入しました。続きを読む
TensorFlow Data Validation を使用した機械学習のための大規模なデータの分析と検証
このドキュメントでは、実験中のデータ探索と記述的分析に TensorFlow Data Validation (TFDV) ライブラリを使用する方法について説明します。データ サイエンティストと機械学習 (ML) エンジニアは、実稼働 ML システムで TFDV を使用して、継続的トレーニング (CT) パイプラインで使用されるデータを検証し、予測提供のために受信したデータのスキューと外れ値を検出できます。これにはハンズオン ラボが含まれます。続きを読む