Jun, 2022

基于 Docker 部署机器学习项目的实践研究

PDF
TL;DR本研究探讨了 Docker 如何用于部署基于机器学习的项目。研究发现，六类基于机器学习的项目使用 Docker 进行部署，主要为了提高平台的可移植性和跨操作系统、GPU 运行时和语言限制。然而，由于图像层中包含大量的文件和深度嵌套的目录，构建基于机器学习的软件项目需要更多的资源消耗，这是需要改进的方面。
dockerml-based projectsdeploymentportabilityresource consumption
发现论文，激发创造
  • 机器学习系统部署管道的持续学习

    研究了机器学习系统的最小自动化部署技术，并比较了自动化部署技术的优劣，以帮助后来的采用者避免在实际使用案例中发生概括性错误，并选择更好的策略，同时提高机器学习系统的部署评估框架意识，有更全面、有用的评估指标，而不仅仅关注单一的因素，这对于行业决策者尤为重要。

    Dec, 2022

  • 通过将系统与机器学习集成，自动化 MLOps 中的模型训练和部署

    本文介绍了机器学习在现实世界应用中的重要性，探讨了 MLOps（机器学习运营）的兴起及其在解决模型部署和性能监控等挑战方面的重要性。通过回顾 MLOps 的演变和其与传统软件开发方法的关系，论文提出了将该系统与机器学习相结合以解决现有 MLOps 面临的问题并提高生产力的方法。本文重点关注自动化模型训练的重要性，以及通过版本控制系统确保训练过程的透明性和可重复性的方法。此外，还讨论了将机器学习组件集成到传统 CI/CD 流水线中面临的挑战，并提出了版本环境和容器化等解决方案。最后，论文强调了模型部署后持续监控和反馈循环的重要性，以保持模型的性能和可靠性。本文运用 Netflix 的案例研究和最佳实践，提出了成功实施 MLOps 实践的关键策略和经验教训，并为其他组织构建和优化自己的 MLOps 实践提供了有价值的参考。

    May, 2024

  • 部署机器学习的挑战：案例研究调查

    该论文调查了部署机器学习模型在实际业务系统中可能遇到的挑战和关注点，并将这些挑战与机器学习部署工作流程的各个阶段对应起来，以期为解决这些挑战探索新的方法和研究方向。

    Nov, 2020

  • Docker 简介与 R 环境下的可重复研究

    本文探讨了计算再现性的重要性和挑战，介绍了当前处理此类问题的方法和局限性，并提出了基于 Docker 技术的解决方法，并给出了几个基于 R 统计环境的 Docker 使用案例。

    Oct, 2014

  • 部署临床机器学习？考虑以下事项

    通过调查拥有临床部署经验的从业者，本研究针对临床机器学习应用程序的主要挑战类别进行了分类，以更好地设计和开发临床机器学习应用程序。

    Sep, 2021

  • 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

  • 机器学习项目如何使用持续集成实践？基于 GitHub Actions 的实证研究

    对 185 个开源项目进行综合分析，发现机器学习项目在持续集成方面存在独特挑战，如建立时间更长、测试覆盖率较低以及构建时间趋势增加的问题。研究通过定量和定性分析揭示了持续集成在机器学习和传统项目中的差异和讨论的主题。

    Mar, 2024

  • 无服务器机器学习模型推理调查

    最近在生成人工智能、计算机视觉和自然语言处理方面的进展，已经使得人工智能模型得到了广泛应用。这种广泛应用需要在生产环境中部署这些模型，确保可靠性、最小的停机时间以及优化基础设施的运营成本。大型机器学习模型经常需要 GPU 资源以进行高效推理，以满足服务级别目标。在这些趋势的背景下，人们越来越关注在无服务器架构中托管 AI 模型，并提供推理任务的 GPU 访问。这项调查旨在总结和分类大规模深度学习服务系统中的新兴挑战和优化机会。通过提供新颖的分类法和总结最近的趋势，我们希望这项调查能为大规模深度学习服务系统的新的优化视角提供启示，并激发出创新作品。

    Nov, 2023

  • 自动机器学习工具使用的实证研究

    本文通过对 GitHub 上的开源项目进行调研，分析了当前机器学习从业者使用自动化机器学习工具的情况，研究结果表明 AutoML 工具已经广泛应用于机器学习的许多领域，可以极大的提高特征工程、模型训练和超参数优化的效率。

    Aug, 2022

  • 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