mlflow
PulseAugur coverage of mlflow — every cluster mentioning mlflow across labs, papers, and developer communities, ranked by signal.
11 天有情绪数据
-
Amazon 提供用于 AI 图像编辑代理和模型监控的工具
Amazon 正在为开发人员提供构建和监控 AI 模型的工具和指导。其中一篇文章详细介绍了如何使用 Amazon Bedrock AgentCore 创建无服务器图像编辑代理，允许用户用简单的英语描述编辑。另一篇指南演示了如何使用 Amazon SageMaker 和 MLflow 监控判别式 ML 模型，强调了保持预测准确性的重要性。
-
AWS SageMaker AI 与 MLflow 集成，用于模型监控和基准测试
Amazon SageMaker AI 正在通过与 MLflow 集成来增强其功能，为机器学习模型提供更好的监控和基准测试。首次集成侧重于监控判别式模型的数据和模型漂移，允许用户跟踪准确性和输入数据的统计属性。第二次集成能够将生成式 AI 模型的基准测试和推荐结果实时流式传输到 MLflow，从而更容易比较不同的配置并提高可复现性。
-
Amazon SageMaker AI 推出多轮强化学习新服务
Amazon SageMaker AI 推出了新的多轮强化学习 (MTRL) 服务，旨在训练能够处理复杂、顺序任务的智能体。该服务旨在简化开发能够与工具交互、从错误中恢复以及从多步骤过程中学习的智能体的过程。它提供了模块化智能体-环境接口、无服务器执行、异步推出和原生算法库等功能，同时还提供了对训练指标的可观测性。
-
MLflow 组织 ML 实验的策略
本文提供了组织 MLflow 实验和运行的策略，重点关注管理机器学习运营的业务问题。旨在帮助用户在 MLflow 框架内有效跟踪和管理他们的机器学习项目。
-
Databricks 利用 VLMs 和 GPU 实现可搜索的视频情报
Databricks 开发了一种新的视频分析方法，将其视为数据工程问题，使视频内容可搜索且可操作。他们的系统利用视觉语言模型 (VLM) 和无服务器 GPU，根据自然语言查询自动检测、截断和总结视频中的关键时刻。这种可扩展的、与模型无关的架构使组织能够近乎实时地分析海量视频数据，应用于公共安全、基础设施管理和城市运营等领域。
-
Databricks 和 NVIDIA 发布 Genesis Workbench，用于 AI 驱动的药物发现
Databricks 和 NVIDIA 合作创建了 Genesis Workbench，这是一个旨在加速生命科学领域 AI 驱动的药物发现的新平台。这个开放、模块化的蓝图将 NVIDIA 的加速计算工具（包括 BioNeMo 和 Parabricks）集成到 Databricks 的安全环境中。Genesis Workbench 为科学家提供了一个无代码界面，用于执行复杂的基因组学和分子设计任务，并通过 Databricks 的 Un…
-
MLOps实践因创建未使用的模型存储库而受到批评
文章质疑了当前MLOps实践的有效性，认为许多组织正在积累大量很少使用或重新访问的机器学习模型。它暗示这些模型可能成为一个“模型博物馆”，而不是积极解决业务问题，这表明需要更好的模型部署和生命周期管理策略。
-
使用GPT-4o-mini开发的丝芙兰AI销售助手
Ayzıt Bostan开发了一个AI驱动的丝芙兰销售助手系统，利用TF-IDF、余弦相似度和机器学习模型。该系统基于LangChain、GPT-4o-mini和MLflow构建，旨在提供产品推荐和价格情报。
-
数千个 MLflow 实例暴露，构成 MLOps 安全风险
最近的一项分析显示，数千个 MLflow 实例公开可访问，构成重大的安全风险。这些暴露的实例可能允许未经授权访问敏感的机器学习模型和数据。这些发现突显了 MLOps 基础设施中存在的关键漏洞，需要部署这些系统的组织立即予以关注。
-
ZenML 0.80.0 发布，旨在解决 ML 流水线可复现性问题
ZenML 是一个开源的 MLOps 框架，已发布 0.80.0 版本，旨在解决机器学习流水线中可复现性的重大挑战。该框架将实验跟踪器和编排器等 20 多种不同工具连接到一个统一的系统中，使用户能够构建和管理生产就绪的 ML 流水线。此版本强调基于 Python 的方法，抽象化基础设施的复杂性，并实现从本地开发到云部署的无缝过渡。
-
Azure ML MLOps：部署、自动化和优化技术
此文章集详细介绍了 Azure ML 中的各种 MLOps 实践。它涵盖了使用具有蓝绿部署策略的托管在线终结点来部署和监控模型。此外，它还探讨了通过 OIDC 联合使用 GitHub Actions 自动化 ML 训练，以及利用 Azure ML CLI v2。文章还重点介绍了使用 Command 作业和 MLflow 自动日志记录来优化模型训练，以及使用 Azure ML AutoML 和 MLflow 跟踪来查找最佳分类模型。
-
Kubernetes ML 流水线：使用 FastAPI 和 MLflow 进行模型推理
本系列文章详细介绍了在 Kubernetes 上创建机器学习流水线。第三部分着重于使用 FastAPI 和 MLflow 部署模型推理服务，该服务建立在第二部分中已建立的 CI 驱动的模型训练之上。前一部分涵盖了使用 Jenkins、MLflow 和 DVC 训练模型，为后续的部署阶段奠定了基础。
-
MLflow 3.x 通过统一平台增强 ML/AI 生命周期管理
MLflow 是一个用于管理机器学习生命周期的开源平台，现已发展到其 MLflow 3.x 架构。它为传统 ML、深度学习和 AI 代理提供了一个统一的工程画布，强调跨不同编码语言和部署环境的平台无关性。核心架构包含四个组件：用于参数、指标和工件的 Tracking；用于通过“flavors”进行标准化打包的 Models；用于治理和版本控制的模型注册表（Model Registry）；以及用于将模型作为可扩展 API 部署的 Dep…
-
Databricks推出适用于所有模型的自适应AI服务平台
Databricks推出了一款新的AI服务平台，该平台旨在处理各种机器学习模型，从小分类器到大型语言模型。该平台可自动适应不同的模型资源需求和流量模式，无需手动调整。这种方法旨在将基础设施成本降低高达90%，并最大限度地减少延迟，使工程团队能够专注于模型开发而不是生产部署。
-
新的 MLOps 指南解决模型集成挑战
一项新的综述综合了 25 条架构上重要的 MLOps 指南，这些指南来源于 103 篇网络文献，旨在解决当前机器学习模型集成和部署实践的临时性问题。该研究旨在为从业者和研究人员提供一个综合参考。几篇文章还详细介绍了将 AI 和 ML 模型部署到生产环境的实际方面，涵盖了可扩展系统、真实世界基础设施以及构建 MLOps 作品集等主题。
-
MLOps 指南：为实验跟踪设置生产级 MLflow
本文详细介绍了如何在 MLOps 框架内为生产级实验跟踪设置 MLflow。它侧重于实现机器学习项目稳健实验管理所需的实际步骤和配置。该指南旨在为开发人员和数据科学家提供一条清晰的路径，以增强其 MLOps 工作流程。
-
AWS 支持 SageMaker MLflow 应用的自定义门户集成
Amazon Web Services 推出了一种将 Amazon SageMaker MLflow 应用集成到自定义内部门户的新方法。通过允许团队将 MLflow 实验跟踪 UI 直接嵌入到他们现有的单点登录 (SSO) 集成门户中，这种方法简化了不断壮大的 ML 团队的访问管理。该解决方案利用 React 前端和 Flask 反向代理来处理身份验证和 API 请求，为用户提供持久的、可书签的 URL，而无需直接访问 AWS Man…
-
AWS 通过 API 代理实现 SageMaker MLflow 的安全外部访问
AWS 推出了新的 REST API 代理解决方案，以简化对 Amazon SageMaker MLflow 的外部访问。这个基于 Flask 的代理允许组织安全地将 SageMaker MLflow 与现有系统集成，绕过直接使用 SDK。该解决方案通过提供 HTTPS 访问和通过 AWS IAM 管理身份验证，解决了公司安全策略、网络限制和遗留系统约束问题。
-
为 RAG 合规性助手构建精益 MLOps 堆栈
本文详细介绍了为 RAG（检索增强生成）合规性助手构建高效 MLOps 框架的过程。文章概述了一种实用的方法，结合使用了 FastAPI（应用层）、Docker（容器化）以及 AWS 服务（如 ECR 和 EKS 用于部署）。该指南还包含了 MLflow（实验跟踪）、Airflow（工作流编排）以及 Prometheus 和 Grafana（监控）等工具。
-
Databricks 使用 LangGraph 和 Claude Sonnet 4.6 托管多代理保险聊天机器人
本文详细介绍了在Databricks平台上构建的多代理保险客户支持聊天机器人的过程。该机器人利用LangGraph、Claude Sonnet 4.6 和向量搜索来处理各种客户查询，从账单咨询到常见问题解答。该系统采用一个主管代理将请求路由给专门的代理，每个代理都配备了用于数据检索和处理的特定工具。