课程简介

当前的 AI 研发大多数是以算法为中心的工作流，研发团队通常基于算法迭代来驱动模型训练、评估与发布。然而模型的线上效果还和数据、模型后处理、基础设施等紧密相关。在 AI 研发中，训练集、评测集、实验结果集、pypi package、训练参数、训练日志、checkpoint、镜像、模型编译产出，全部可以纳入 Artifact 管理，应用基于 Artifact的工作流，从而将算法以外的因素结合进 AI 研发。

Artifact 管理在软件行业的应用非常广泛。通过对 Artifact 的管理，生产消费 Artifact 的工作流（数据集ETL、Auto Labeling、人工标注、训练、评估等等）都可以被有效管理起来，进而成为团队的技术资产沉淀下来复用和分析，让研发人员可以专注于自己工作的创新核心，将研发效率提高到新的境界。管理者也可以通过对积累下的工作流和 Artifact 进行数据分析和可视化，并简单方便的透视到整个研发过程，研发过程对管理者也不再是黑盒，为 AI 研发团队的扁平化管理打下基础，并极大的降低管理和沟通成本。

本次分享Artifact工作流的基础工作流的知识图谱， 以之为核心的 AI 研发效率平台， 以及应用 Artifact 中心工作流之后的一些可视化数据呈现，为管理者提供借鉴与参考。

课程收益

了解 Artifact 管理在 AI 研发领域的应用，提升AI 研发效能，并使研发流程透明化

受众人群

企业管理者，AI研发相关工作人员及其他对AI研发提效感兴趣的人员

课程周期

3H

课程大纲