AITOP

MLOps

共 3 条相关 AI 资讯
7月31日
00:32
00:32官方一手AWS Machine Learning Blog@Sunita Koppar
精选
该指南介绍如何利用Amazon Quick为Amazon SageMaker AI端点搭建推理元监控系统。该系统作为治理层，持续追踪预测质量和数据质量，检测数据漂移，并集成延迟真实值。同时自动化生成性能仪表板，帮助运维团队快速定位问题。
技巧Amazon SageMaker AIAmazon Quick推理监控
推荐理由：想给SageMaker模型加监控层？这篇手把手教你用Amazon Quick做推理监控，自动抓数据漂移和性能报表。
原文
6月17日
09:38
09:38官方账号arXiv cs.AI@Aueaphum Aueawatthanaphisut, Badri Raj Lamichhane
该论文提出一个基于LLM编排的多智能体框架，将大数据即服务生命周期分解为数据摄取、数据清洗、特征工程、AutoML训练、模型评估、MLOps部署、监控和漂移检测等专业智能体。中央LLM编排层协调代理执行、验证中间输出、管理流程上下文并支持动态工作流组合。框架包含共享工件治理、可重复性支持、人在回路检查点和漂移感知反馈循环。在包含缺失值、分类变量、异常值、类别不平衡和模拟协变量漂移的受控表格基准数据集上，与手动ML、仅AutoML和单智能体LLM基线对比，该多智能体BDaaS管道实现了有竞争力的预测性能，并提高了工作流完成率、工件可追溯性、部署就绪度、可重复性和漂移恢复能力。
论文LLM多智能体AutoML
推荐理由：这篇论文用LLM编排多个专业智能体，自动搞定数据工程到部署监控的全流程，比单智能体和纯AutoML更可靠，适合做生产级自动化参考。
原文
6月9日
12:39
12:39官方账号arXiv cs.LG@Abd Elghani Meliani, Arora Sagar, Adlen Ksentini, Raymond Knopp
精选
云边连续体（CEC）通过将资源分布到边缘来支持延迟敏感应用，但其高度波动性需要基于时间序列预测的零接触管理。然而，新发现的节点缺乏历史数据，导致预测模型面临严重的“冷启动”问题。该研究提出了一种全自动时间序列预测架构，通过数据混合方法解决此问题：引入轻量级资源暴露器（RE）动态发现节点并收集遥测数据，同时将稀疏的本地样本与公开高分辨率数据集TimeTrack（45秒间隔）自动融合。实验表明，这种混合方法显著提升了预测精度（MSE、MAE、MAPE指标），并加速了模型收敛，为持续MLOps部署奠定了基础。
论文云边连续体冷启动时间序列预测
推荐理由：做边缘计算或云边协同的团队终于有了解决冷启动问题的实用方案——自动混合本地数据与公开数据集，无需手动标注就能生成高精度预测模型，建议做运维自动化的开发者点开看看。
原文