正在尋找關於如何應用 TFX 來建構符合您需求的解決方案的深入解析嗎？這些深度文章和指南或許能提供協助！
近乎即時項目比對的機器學習系統架構
請參閱這份文件，瞭解機器學習 (ML) 解決方案的架構，此解決方案可學習並提供項目嵌入。嵌入可協助您瞭解客戶認為哪些項目類似，進而讓您在應用程式中提供即時「類似項目」建議。此解決方案說明如何在資料集中識別類似歌曲，然後使用此資訊提出歌曲推薦。 閱讀詳情
機器學習的資料預先處理：選項與建議
這篇分為兩部分的文章探討了機器學習 (ML) 的資料工程和特徵工程主題。第一部分討論在 Google Cloud 的機器學習管線中預先處理資料的最佳實務。本文著重於使用 TensorFlow 和開放原始碼 TensorFlow Transform (tf.Transform) 程式庫來準備資料、訓練模型，以及提供模型服務以進行預測。本部分重點介紹機器學習資料預先處理的挑戰，並說明在 Google Cloud 上有效執行資料轉換的選項和情境。 第 1 部分 第 2 部分
使用 TFX、Kubeflow Pipelines 和 Cloud Build 的 MLOps 架構
這份文件說明了使用 TensorFlow Extended (TFX) 程式庫的機器學習 (ML) 系統整體架構。文件中也討論如何使用 Cloud Build 和 Kubeflow Pipelines 為 ML 系統設定持續整合 (CI)、持續交付 (CD) 和持續訓練 (CT)。 閱讀詳情
MLOps：機器學習中的持續交付和自動化管線
這份文件討論了在機器學習 (ML) 系統中實作和自動化持續整合 (CI)、持續交付 (CD) 和持續訓練 (CT) 的技術。資料科學和 ML 正逐漸成為解決複雜現實世界問題、轉型產業以及在所有領域創造價值的核心能力。 閱讀詳情
在 Google Cloud 上設定 MLOps 環境
這份參考指南概述了 Google Cloud 上機器學習營運 (MLOps) 環境的架構。本指南隨附 GitHub 中的實作研究室，逐步引導您完成佈建和設定此處所述環境的程序。幾乎所有產業都正以飛快的速度採用機器學習 (ML)。從 ML 獲取價值的關鍵挑戰在於建立有效部署和營運 ML 系統的方法。本指南適用於機器學習 (ML) 和 DevOps 工程師。 閱讀詳情
MLOps 基礎的關鍵需求
AI 驅動的組織正在運用資料和機器學習來解決最棘手的問題，並獲得豐碩的成果。
「到 2025 年，充分將 AI 融入其價值生產工作流程的公司，將以 +120% 的現金流量成長率主導 2030 年的世界經濟，」麥肯錫全球研究所指出。
但目前情況並不容易。如果機器學習 (ML) 系統管理不善，特別容易產生技術債。 閱讀詳情
如何在雲端中使用 Scikit-Learn 建立和部署模型卡
機器學習模型現在被用於完成許多具挑戰性的任務。ML 模型具有巨大的潛力，但也引發了關於其使用方式、建構方式和限制的問題。記錄這些問題的答案有助於釐清概念並達成共識。為了協助推進這些目標，Google 推出了模型卡。 閱讀詳情
使用 TensorFlow Data Validation 大規模分析和驗證機器學習資料
這份文件討論如何在實驗期間使用 TensorFlow Data Validation (TFDV) 程式庫進行資料探索和描述性分析。資料科學家和機器學習 (ML) 工程師可以在生產 ML 系統中使用 TFDV 來驗證在持續訓練 (CT) 管線中使用的資料，並偵測在預測服務中接收到的資料中的偏差和離群值。其中包含實作研究室。 閱讀詳情