MLOps/LLMOps

最近，ChatGPT、GPT4等大模型的突如其来，但对于普通大众，想要从头开始训练一个上百亿、千亿的大模型成本高昂，因此，开源平替是一个不错的选择。之前，尝试了从0到1复现斯坦福羊驼（Stanford

近日，Meta开源了他们的LLaMA系列模型，包含了参数量为7B/13B/33B/65B的不同模型，然而，原模型的效果较差（如生成的结果文不对题、以及无法自然地结束生成等）。因此，斯坦福的 Alpac

随着近期ChatGPT的迅速出圈，加速了的大模型时代变革。以Transformer、MOE为代表的大模型，传统的单机单卡训练模式肯定不能满足，这时候我们就需要

数据可视化可以赋能任何企业。 这包括在以下方面的巨大改进： 业务流程 设计 发展 评估 因此，利用机器学习可视化也是您的业务所需要的。 什么是机器学习：要点 机器学习（或 ML）是人工智能（或 AI）

DataOps 方法承诺帮助企业以更少的错误更快地构建数据解决方案。然而，从理论到实践需要仔细规划。本文将概述该策略的基本原则，并为您提供一个框架，以启动您自己的 DataOps 计划并改进您的数据开

怎样才能带来强大的改变？速度+质量+规模+灵活性。正如 DevOps 将其带入软件开发一样，您可以使用 DevOps 为您的 AI 模型交付提供动力。 下一波竞争优势预计将来自人工智能 (AI) 、区

简介 机器学习涉及大量实验。 随着我们努力改进我们的模型，我们将尝试不同的技术，收集更好的数据，并调整某些参数。 在执行所有这些操作时，我们会查看准确率等指标来确定模型的好坏。 实验跟踪使数据科学家能

简介 数据就是机器学习中的一切。无论您是在构建模型来推荐产品还是识别猫图片，这都是正确的。管理数据既复杂又耗时。我们的数据集通常非常大，这使得存储和与团队共享它们变得困难。数据也会随着时间的推移而发展

简介 当我们完成模型训练之后，我们如何处理我们的模型呢？ 模型本身没有多大价值 —— 关键在于你如何使

在我们之前的博客中，我们研究了如何使用 Seldon Core 服务模型。 虽然 Seldon 使在生

当您构建机器学习驱动的产品时，弄清楚如何弥合模型与其他一切之间的差距至关重要。 例如，也许你有一个很好

注意：这是我们深入探讨数据漂移检测问题的系列文章的第二部分。 如果您还不熟悉数据漂移检测，请查看我们在

表格数据的多元数据漂移 监控机器学习模型的持续成功需要监控进入该模型的数据。这意味着确保今天通过的数据

为什么要 Embeddings？ 我们认为 Embeddings 是人工智能和深度学习的基础。Embe

介绍 在现实世界中，数据以各种系统和格式记录，并且不断变化。 这些变化可能会随着便携式系统的老化和机械

方法 漂移检测器应用基于特征的两样本 Kolmogorov-Smirnov (K-S) 检验。对于多变

方法 Maximum Mean Discrepancy (MMD) 检测器是一种基于核的多元2样本测试方法

方法 我们使用最大均值差异（MMD）和 Kolmogorov-Smirnov (K-S) 检测器检测文

介绍 每当我们训练和部署机器学习模型时，我们都希望确保该模型在生产中表现良好。 模型需要监控，因为现实

机器学习运维 (MLOps) 刚刚成为一个被广泛认可的概念——尽管不一定被广泛理解或认同。 但是，如果