Мне было бы интересно почитать про весь условный dataflow начиная от сенсоров до дашборда – как про инфраструктуру, так и про архитектуру. Особенно об эволюции обоих как на конкретном проекте, так и в компании.
какие датчики используете (типы, бренды)
как решаете проблемы сбора больших данных и трансфера их в инфраструктуру обучения. Канал данных с объекта в условную Москву обычно очень тонкий, собранных данных гигабайты в день. Собрали терабайты, записали на диск и отправили с курьером в город и так каждый месяц? Или аналитики сидят на объекте?
как развивается ваша инфраструктура анализа, обучения, теста и прода? MLFow/Kubeflow/прочие или достаточно jupiter notebook? А основные проблемы в другом домене (интеграция с системами предприятия, согласование размещения оборудования и прочее) и даже простой модели хватает?
что используете для стриминга данных (kafka)? контенейризируете (swarm, k8s)?
как распределяете вычисления и обработку – edge, fog, cloud?
детали модели я думаю либо ноу-хау либо nda, но класс и на чем создаете модель (python, mathlab) было бы интересно узнать. Какие проблемы при запуске в реальном времени и с заданным SLA были и как решили?
Никаких промышленных секретов не нужно. На уровне того что известно интерну после первого месяца на проекте.
ну вы же не на докладе в гос учереждении :) а на техническом ресурсе. понятно, что на каждом предприятии свои нюансы и свои потоки данных.
у вас в блоге тут 4 статьи и в них только одна формула и в одном месте упоминается Python
Для воплощения модели использовали Python, поскольку это фактически стандарт в построении ML-решений. Применили библиотеки для анализа, трансформации, визуализации данных, ML и математического моделирования: pandas, Matplotlib, SciPy, scikit‑learn и другие.
почему так долго если вы ничего не моделируете?
в статье очень мало технических деталей — стек? аппаратура? edge/fog вычисления?
было бы очень интересно об этом почитать
Всё это порождает вот такой адский код, состоящий из огромных блоков IF:
вы серьезно? термины domain specific language, rules engine, workflow engine / BPMS — никаких ассоциаций не навевают?
У вас система «класса ERP» и, такое, ощущение, что вся бизнес-логика в коде и минимум конфигураций.
Конечно нужно 200 разработчиков :), зато «мы в тренде и у нас kubernetes».
BPMS — Business Process Management System (Системы(а) управления безнес-процессами) BPMN — Business Process Model & Notation (язык описания бизнес-процессов) BI — Business Intelligence (бизнес-анализ, бизнес-аналитика) BCS — Sharepoint Business Connectivity Services K2 Blackpearl — один из представителей BPMS
Никаких промышленных секретов не нужно. На уровне того что известно интерну после первого месяца на проекте.
у вас в блоге тут 4 статьи и в них только одна формула и в одном месте упоминается Python
Серьезно? :)
Я все понимаю, PR, поиск кадров, но хоть чуть чуть деталей не из отчетной презентации.
Примеры на ресурсе есть
Deep Learning — не только котики на мобилках или как мы производим дефектовку тележек локомотивов
Как мы забрали у человека сито и помогли мельнице
в статье очень мало технических деталей — стек? аппаратура? edge/fog вычисления?
было бы очень интересно об этом почитать
У вас система «класса ERP» и, такое, ощущение, что вся бизнес-логика в коде и минимум конфигураций.
Конечно нужно 200 разработчиков :), зато «мы в тренде и у нас kubernetes».
BPMN — Business Process Model & Notation (язык описания бизнес-процессов)
BI — Business Intelligence (бизнес-анализ, бизнес-аналитика)
BCS — Sharepoint Business Connectivity Services
K2 Blackpearl — один из представителей BPMS