Модели не могут сами по себе добраться до промышленного использования и начать приносить деньги бизнесу. Для этого необходимо много ресурсов разработчиков и аналитиков, помимо самих Data Scientists и качественно проработанный жизненный цикл моделей.
В этом курсе мы расскажем, что такое ModelOps и MLOps и какие между ними существуют различия:
- подробно опишем, как правильно выстроить рабочее место Data Scientistа и какие технологии и инструменты для этого следует использовать,
- затронем тему версионирования данных и управления пайплайнами обучения моделей для обеспечения воспроизводимости модельных экспериментов.
Все это необходимо для того, чтобы упростить процесс внедрения моделей, автоматизировать как можно больше его частей и минимизировать человеческий фактор, соответственно, снизить модельный риск.