KDDOct, 2021

Looper：针对产品决策的端到端机器学习平台

PDF
TL;DR介绍了一个简化决策和反馈收集的机器学习平台 Loops，覆盖了从收集训练数据和模型训练到部署和推理的整个 ML 生命周期，并拓展了对个性化、因果评估和基于贝叶斯的产品目标调整的支持。
machine learning modelsml platformproduct engineersproduct goalspersonalization
发现论文，激发创造
  • 加速人机协同机器学习：挑战与机遇

    该研究描述了一种 “人机互动” 机器学习系统的愿景，它通过智能跟踪更改和中间结果，实现了工作流加速，反馈及时，内省和调试，背景执行和自动化，并描述了 Helix，初步尝试这样一个系统已经在典型的迭代工作流中实现了最多 10 倍的提速。

    Apr, 2018

  • 可扩展的端到端机器学习平台：从自动机器学习到自助式服务

    研究探讨了机器学习平台的发展、可伸缩性以及实现自助服务质量的要求和能力，并结合两个商业化的端到端机器学习平台来说明其推广应用及未来发展的目标。

    Feb, 2023

  • Couler: 云端统一的机器学习工作流优化

    通过使用自然语言描述生成机器学习工作流，Couler 系统实现了云端的统一机器学习工作流优化，并通过自动缓存、自动并行化和自动超参数调整等方式提高了工作流计算效率，降低了冗余计算成本和提高了深度学习工作流训练的容错性。

    Mar, 2024

  • 实时机器学习：遗失的部分

    针对机器学习在实时决策中的应用，提出需要一种新的分布式执行框架来实现毫秒延迟、高吞吐、任务图的自适应构建以及异构内核的执行等一系列要求，并提出了一个候选方案，其架构已经获得了 63 倍的性能提升。

    Mar, 2017

  • MLOps：企业机器学习的一大步

    该研究详细介绍了 MLOps，它的好处，困难，演变以及重要的底层技术，如 MLOps 框架，Docker，GitHub 动作和 Kubernetes。该文章还侧重于使用各种成熟度水平的自动化管道的 ML 项目的端到端生产。它提供了一个企业级 MLOps 项目的详细示例，以解释技术在实际场景中的工作流程。

    May, 2023

  • 人类参与的机器学习概述

    本文基于数据分析角度，对人机协同中的数据处理、模型训练和系统独立模式，进行了调查总结，分类整理，提供了自然语言处理、计算机视觉等多领域的技术优势 / 缺陷、挑战和机遇，提出了有效设计人机协同解决方案的思路。

    Aug, 2021

  • 覆盖整个机器学习生命周期的 MLOps: 一项调查

    本文旨在通过综合调查，以 MLOps 为过程，收集和阐述关键概念和活动及其代表作和调查，对现有机器学习技术的现状进行清晰的阐述，以便初学者（如研究人员、从业人员）了解 MLOps 过程的概述，以及在 ML 过程的每个步骤中使用的关键技术，并了解如何查找更多详细信息。

    Apr, 2023

  • EndToEndML: 一个用于机器学习应用的开源端到端流水线

    我们提出了一个基于 Web 的一体化流程，能够进行数据预处理、训练、评估和可视化机器学习模型，无需手动干预或编程专业知识，通过集成传统机器学习和深度神经网络模型与可视化，帮助识别、分类、聚类和预测广泛的多模态、多传感器数据，包括图像、语言和一维数值数据，用于药物发现、病原体分类和医学诊断。

    Mar, 2024

  • 敏捷建模：循环中领域专家的图像分类

    本文介绍了 “敏捷建模” 过程，即通过专家驱动的人机交互从任何视觉概念变成训练良好的机器学习分类器的过程，并提出了一个解决方案来实现这一过程，此方案利用了最近图像文本共嵌入的发展，通过 14 个领域专家的实时建模实验证明其可行性，并与传统的众包范式进行了比较，结果显示在使用领域专家的情况下，困难概念得到了明显的改善。

    Feb, 2023

  • 走向 MLOps：面向机器学习系统的 DevOps 工具推荐系统

    运用 DevOps 实践于机器学习系统，被称为 MLOps，其目的是建立不同开源工具之间的连接，构建一个能自动执行步骤来构建数据集、训练机器学习模型并将模型部署到生产环境的流水线，并存储不同版本的模型和数据集。本文提出了一个基于上下文信息（例如数据性质、数据类型）的推荐系统框架，用于为机器学习系统的操作化推荐相关的技术栈，通过对四种不同方法的调查，即基于规则的、随机森林、决策树和 K 最近邻，以准确率、召回率和 F1 分数进行评估，其中随机森林的 F1 分数最高，为 0.66。

    Feb, 2024