Machine Learning, del Notebook a Produccion
Aceptada
Ya le armaste el modelo que predice valores de propiedades a tu primo el de la inmobiliaria y, anda barbaro (en tu computadora), ahora, como hacemos para llevarle eso a miles de usuarios y llenarnos de plata?
Tipo: Charla extendida, 45 minutos (explicar motivos)
Nivel: Medio
Disertantes: German Bourdin
Biografiá del Disertante: German vive en Bariloche y trabaja hace mas de 5 años en la industria del software. Hoy es uno de los lideres tecnicos de una empresa especializada en proveer soluciones de Machine Learning orientadas a e-commerce y fintech.
Horario: 16:30 - 17:30 - 24/11/2018
Sala: AB - Onapsis
Etiquetas/Tags: machine learning ingenieria python
Descripción completa
Esta no es una charla de Machine Learning. Durante esta charla voy a hablar sobre lo que pasa despues de que obtuviste los datos, hiciste feature engineering, diseñaste tus algoritmos, elegiste herramientas, ejecutaste 43 experimentos y llegaste a resultados que mejoraron tu baseline. Vamos a poner el eje en la ingenieria necesaria para llevar nuestras predicciones a los usuarios y no morir en el intento. El plan es charlar de los siguientes temas: * Como estrucurar el codigo de un predictor - Como y por que hacerlo pip instalable (aunque lo vayas a tener en un repo privado) * APIs que, por que y para que? - Produccion no siempre es web, que hacer en esos casos * El desafio de tener que predecir on demand * Mas alla de precision y recall, las otras performances que importan * Modelos entrenados, serializacion, y deserializacion * Monitorear? Que, como, por que? * Un ejemplo simple de una API REST con Flask para devolver predicciones de un modelo pre-entrenado * Extra: Tips para mejorar tus tiempos de respuesta