自癒代理自動化 ML 管線
五代理 AI 系統從資料集與自然語言目標自動化端到端 ML 管線。整合程式碼基礎 RAG、可解釋推薦器，以及基於 LLM 的自癒機制以提升穩健性。在 150 個多樣任務上達 84.7% 成功率，優於基準方法。
Search
Tag: #mlops39 results
使用 Amazon SageMaker Unified Studio 建置離線特徵儲存
提供逐步指南，在 SageMaker Unified Studio 網域中使用 SageMaker Catalog 建置離線特徵儲存。採用發布訂閱模式，讓資料生產者發布精選版本化特徵表格。資料消費者可安全發現、訂閱並重複使用於模型開發。
Union.ai 籌資1900萬美元推動Flyte AI工作流程
西雅圖地區新創公司Union.ai籌得1900萬美元，用以推進其AI工作流程平台。該公司開發開源工具Flyte，用於編排複雜的機器學習與資料工作流程。
透過 CloudWatch 實現 Amazon SageMaker Pipelines 跨帳戶監控
一項新解決方案實現了跨多個 AWS 帳戶與區域對 SageMaker Pipelines 的集中式監控。它使用自定義 Amazon CloudWatch 儀表板，並提供 CDK 範本以簡化基礎設施部署。
使用 Amazon SageMaker 與 MLflow 監控機器學習模型
本指南說明如何結合 Evidently 與 Amazon SageMaker AI，為判別式機器學習模型實作監控解決方案。重點在於追蹤預測準確度、在 MLflow 中管理報告及自動化偏移通知。
💼
生產環境 AI 監控中的責任缺口
大多數機器學習模型會因數據和用戶行為的改變而隨時間退化，但很少有組織指派專人負責監控其準確性。本文強調了「責任缺口」問題，即團隊往往只關注系統正常運行時間，而非模型性能。
在 SageMaker HyperPod 上部署多輪 RL 基礎設施
本指南展示如何使用 Amazon Nova Forge 在 Amazon SageMaker HyperPod 上構建兩階段強化學習流程。它採用事件驅動架構，可在數據上傳至 Amazon S3 後自動觸發訓練。
使用 SageMaker AI 將基準測試結果串流至 MLflow
Amazon SageMaker AI 現支援將基準測試和推薦結果即時串流至 MLflow。這為實驗期間追蹤指標、參數和圖表提供了統一的介面。
蔚來世界模型如何適配多硬體平台架構
蔚來高級副總裁任少卿探討了將統一世界模型部署至多樣化晶片、平台及車型中的技術挑戰。重點在於如何透過架構抽象化來解決硬體碎片化問題。
🔬
構建具備水平對齊架構的全球 PM2.5 預測模型
開發者利用 OpenAQ 與 NASA 數據構建了端到端的空氣品質預測管線。透過解耦預測水平並使用滯後向量，該模型成功克服了在複雜環境下的變異數問題。