7.4 萬次觀看
※ 摘要僅根據標題與說明
MLOps
8 筆內容
機器學習系統的版本、管線、上線與維運。
也叫做：MLOps、ML pipeline、MLflow、model registry、機器學習維運、feature store
學習路徑
由淺入深：入門 → 進階 → 高階
入門初窺門徑
What Is MLflow? Tracing AI Agents & LLM Workflows（在新分頁開啟原站）
IBM Technology10 分鐘○ 無原文
進階登堂入室
Practical AI47 分鐘● 有原文
高階爐火純青
排行前 5 名
依相關、人氣、新鮮度綜合排序；站長推薦的加成
Building Durable AI Agents
本訪談探討如何將 AI 代理從演示轉為可靠的生產系統。主持人 Hamza Tahir 分享了 MLOps 原則如何塑造生成式 AI 的未來，涵蓋工作流、代理呼叫器、叢集及基礎設施。
AI at the Edge is a different operating environment
本訪談探討 2026 年「AI at the Edge」的定義與現況。Brandon Shibley 指出，邊端不再僅指離雲端，而是指將 AI 嵌入離資料中心、靠近感測器的實體裝置。
MLOps and Software Engineering Automation Challenges in Production – PyCon Taiwan 2025（在新分頁開啟原站）
程俊培經理分享半導體製程中 AI 影像分析面臨的挑戰，並提出一套 Python 基座的 MLOps 框架，透過自動軟體工程流程，將模型開發時間縮短至數小時，部署時間縮至分鐘。
※ 摘要僅根據標題與說明
AI Dev 26 x SF | Andrew Filev: Multi Model Pipelines—How to Get Better AI Results for Less（在新分頁開啟原站）
影片由 Andrew Filev 介紹如何透過 Multi Model Pipelines 提升 AI 效能，讓使用者能用更少的資源獲得更佳的結果。
551次觀看※ 摘要僅根據標題與說明
最新
依發布時間
- 7.4 萬次觀看
※ 摘要僅根據標題與說明
Building Durable AI Agents
本訪談探討如何將 AI 代理從演示轉為可靠的生產系統。主持人 Hamza Tahir 分享了 MLOps 原則如何塑造生成式 AI 的未來，涵蓋工作流、代理呼叫器、叢集及基礎設施。
Zipline Roundtable episode: Building Real-Time ML Systems with Zipline + Chronon
本訪談探討了 Zipline 與 Chronon 如何協助企業解決即時 ML 系統的挑戰，包括低延遲特徵值服務、時序一致的回補以及複雜的流批轉化鏈。
AI Dev 26 x SF | Andrew Filev: Multi Model Pipelines—How to Get Better AI Results for Less（在新分頁開啟原站）
影片由 Andrew Filev 介紹如何透過 Multi Model Pipelines 提升 AI 效能，讓使用者能用更少的資源獲得更佳的結果。
551次觀看※ 摘要僅根據標題與說明
AI at the Edge is a different operating environment
本訪談探討 2026 年「AI at the Edge」的定義與現況。Brandon Shibley 指出，邊端不再僅指離雲端，而是指將 AI 嵌入離資料中心、靠近感測器的實體裝置。
MLOps and Software Engineering Automation Challenges in Production – PyCon Taiwan 2025（在新分頁開啟原站）
程俊培經理分享半導體製程中 AI 影像分析面臨的挑戰，並提出一套 Python 基座的 MLOps 框架，透過自動軟體工程流程，將模型開發時間縮短至數小時，部署時間縮至分鐘。
※ 摘要僅根據標題與說明
EP 48. 对话Lepton AI创始人贾扬清：AI需要怎样的基础设施，模型与应用未来格局（在新分頁開啟原站）
本訪談探討 Lepton AI 如何構建 AI 基礎設施，並分析其對模型與應用未來的影響。訪談者深入討論了 Lepton 在 AI 雲、開發工具及 MLOps 領域的創新，並指出未來硬體與軟體突破將如何重塑 AI 生態。
※ 摘要僅根據標題與說明
Building makemore Part 5: Building a WaveNet（在新分頁開啟原站）
深入解析 WaveNet 架構，透過將二層 MLP 深化為樹狀結構，結合因果擴散層來實現高效神經網路。內容涵蓋 PyTorch 的層與容器概念、開發流程中的資料讀取與程式碼管理，並提供完整程式碼範例與教學筆記。
29.9 萬次觀看※ 摘要僅根據標題與說明
