Дмитро Щербаков — ML Engineer в Undock

1. AI У РЕАЛЬНОМУ СВІТІ

2. ЩО ТАМ ВАЖКОГО?
Оригінал hidden technical debt in machine learning systems

3. Типова ML pipeline
• a data-preprocessing
• model tuning
• model training
• model evaluation (with harder-to-compute metrics)
• final model training on all data
• model deployment step

4. Порівненя ML Cloud Services

5. Кожен крут. Що тепер?
1. Amazon SageMaker: певно краща документація
2. Azure Machine Learning: документація прозора, але громіздка
3. Google AI Platform(s): документація громіздка, збиває з товку.
Застарілі примери. Також маємо дві версії документації бо два сервіси мають
одну назву!

6. GCP AI Platform (Unified)

7. GCP AI Platform

8. AWS SageMaker

9. Azure Machine Learning

10. Azure Machine Learning Унікальна Фіча

11. ВИСНОВКИ
• Cloud Cloud Run найпростіший та гнучкий для ML endpoints
• It is possible to use GPU this could be the only difference between
standard Cloud Functions and ML endpoints. We don't need a GPU
for production yet.
• ML cloud services підходять для тренування та тестування
• AWS виглядає найбільш легким
• Azure має сильний вау єфект
• GCP має усе що треба, але неорганізовано і не зрозуміло