ML 플랫폼·인프라
이 분류에서 찾기
- 초당 800만 건의 예측을 감당하는 Uber 피처 로깅 (2026-09)
- GPU 메모리부터 줄인 Uber Michelangelo의 LLM 학습 (2026-04)
- GPU의 긴 기다림을 줄인 Petastorm 데이터 로더 (2026-04)
- 수천 개 모델의 배포를 지키는 Michelangelo 안전장치 (2025-10)
- 남는 자원을 빌려 쓰는 우버의 Ray on Kubernetes (2025-04)
- 클러스터 선택을 플랫폼에 맡긴 Ray on Kubernetes (2025-04)
- 모델 개발의 길을 다시 설계한 Michelangelo의 8년 (2024-05)
- 우버 AI/ML 인프라에서 찾은 GPU 효율의 조건 (2024-03)
- 운영 모델의 품질을 지키는 Model Excellence Scores (2024-03)
- Tier1 서빙 장애에서 출발한 Palette 메타 스토어 재설계 (2024-01)
- 조용한 데이터 누락을 찾아내는 Uber의 자동 감시 시스템 D3 (2023-02)
- 모델 배포와 서비스 릴리스를 분리한 Uber의 ML 서빙 (2021-06)
Michelangelo, Ray on Kubernetes, Horovod, GPU 학습 최적화, 피처 스토어, 모델 배포 안전장치처럼 모델을 학습·서빙하는 플랫폼 쪽 글입니다.
요약하지 않은 원문
2019년 이전 글이거나 아직 요약하지 않은 글입니다. 원문 제목 그대로 링크합니다.
- Evolving Michelangelo Model Representation for Flexibility at Scale · 2019-10-16
- Using Machine Learning to Ensure the Capacity Safety of Individual Microservices · 2019-03-07
- Scaling Machine Learning at Uber with Michelangelo · 2018-11-02
- Meet Horovod: Uber’s Open Source Distributed Deep Learning Framework for TensorFlow · 2017-10-17
- Meet Michelangelo: Uber’s Machine Learning Platform · 2017-09-05
마지막 수정 일자