Объяснение принципов работы MLflow и Databricks Model Serving | Концепции и развертывание MLOps

В этом видео мы теоретически рассмотрим MLflow и Model Serving на Databricks в новом плейлисте. С помощью MLflow вы можете операционализировать свои рабочие нагрузки машинного обучения, отслеживая эксперименты и регистрируя модели через Unity Catalog. Мы объясним, как можно взять зарегистрированную модель и развернуть её на Databricks Model Serving в качестве REST-эндпоинта. ПРИМЕЧАНИЕ: Следующее видео в этом плейлисте будет посвящено практическому применению, если вы хотите пропустить его. Видеоматериалы Databricks Model Serving: https://www.databricks.com/product/model-serving Пример ознакомления с Model Serving (рассмотрен в следующем видео): https://github.com/RamVegiraju/databricks-samples/tree/master/ML/ModelServing Введение в MLFlow: https://mlflow.org/docs/latest/ml/getting-started/ Настройка учетной записи Databricks Azure: https://learn.microsoft.com/en-us/azure/databricks/getting-started/free-trial Временные метки 0:00 Введение 2:22 Что такое MLOps 4:30 Почему MLFlow помогает 7:12 Databricks Model Serving 12:26 Пошаговое руководство по пользовательскому интерфейсу #databricks #mlflow #modelserving #machinelearning #mlops #azure