Tensorflow Extended – Ungenutzte Modelle in produktive ML-Pipelines überführen
Es ist eine Sache, ein Machine Learning (ML) Modell zu entwickeln, aber eine völlig andere, es in einem produktiven Umfeld einzusetzen. Dabei gibt es viele Wege ein Modell produktiv zu schalten, doch nur wenige bilden den kompletten ML-Workflow ab.Tensorflow Extended (TFX) setzt genau hier an: Es hilft bei der effektiven Verwaltung des End-to-End-Trainings- und Produktions-Workflows, einschließlich Modellmanagement, Versionierung und Bereitstellung, und hilft so, alle Aspekte des ML-Engineerings zu realisieren.
In diesem Talk möchten wir anhand eines praxisnahen Beispiels eine End-to-End ML-Pipeline mit TFX vorstellen und dabei Chancen sowie Herausforderungen des Frameworks aufzeigen.
Vorkenntnisse
Ein generelles Verständnis von Machine Learning und dessen technischen Herausforderungen.
Lernziele
* Übersicht über Tensorflow Extended
* Entwicklung einer End-to-end Machine Learning Pipeline
Speaker
Niklas Melcher arbeitet zurzeit im Data Science & Data Engineering Team bei der IAV GmbH in Gifhorn. Er verwendet bei der Umsetzung von Kundenprojekten aktuelle Open-Source-Frameworks und ist hierfür auch als Consultant tätig.
Ngoc Thanh Trung Pham arbeitet zurzeit im Connected Services & Platform Development Team bei der IAV GmbH in Gifhorn. Zu seinen täglichen Aufgaben gehört neben der Algorithmik die Arbeit mit aktuellen Machine-Learning-Frameworks.