Selbstkorrektierendes ML + Multimodale Suche mit Elastic

Description

Nehmen Sie am Mittwoch, den 16. September, an der Elastic Washington, D.C. User Group teil für ein spannendes Meetup.Wir präsentieren einen Vortrag von Kritika Berry und Josh Phifer, gefolgt von Networking, Erfrischungen und Pizza mit der DC-Tech- und Elastic-Community.Datum und Uhrzeit: Mittwoch, den 16. September, von 17:30 bis 19:30 Uhr EDTStandort: Elastic Arlington Büro - 4100 Fairfax Drive, Ste 500, Arlington, VA 22203Parken:Agenda:Vortragszusammenfassungen:Dashboards zu Entscheidungen: Ein selbstkorrektierender ML-Kreis mit Elastic Observability - Kritika Berry (Software Engineer) Die meisten ML-Pipelines haben eine Abnahme der Genauigkeit oder einen Anstieg der Latenz, während sie schrittweise trainiert werden, was unbemerkt bleibt, bis sich jemand downstream beschwert. In diesem Vortrag werde ich zeigen, wie ich Elastic Observability in meinen ML-Workflow integriert habe, sodass die Pipeline sich selbst überwacht: Protokolle, Metriken und Traces fließen zurück ins System, um Drift und Fehler zu erkennen, und lösen dann automatisch Korrekturmaßnahmen aus. Diese Sitzung bietet ein praktisches Muster, um Observability-Daten von etwas, das man nur betrachtet, in etwas zu verwandeln, das tatsächlich Ihre Modelle repariert.Multimodale Suche mit Elastic und Jina - Josh Phifer, Principal Solutions Architect bei ElasticWir werden zwei Demos durchgehen, die Elastic und Jina verwenden, um multimodale Suche zu ermöglichen. Die erste ist eine Kunstwerksuche, bei der Benutzer mit Text, Bildern oder einer Kombination aus beidem suchen können. Von dort aus kann ein Agent helfen, die Ergebnisse einzugrenzen, Werke zu vergleichen und Gemeinsamkeiten in Bezug auf Stil, Thema, Farbe und andere visuelle Details zu erkunden. Die zweite Demo wendet dieselben Konzepte auf Videos an. Videos werden in durchsuchbare Segmente unterteilt, was es ermöglicht, spezifische Szenen, Objekte, Aktionen oder Themen mit einer einfachen Frage zu finden. Der Agent kann über Clips hinweg suchen, verwandte Ergebnisse verfolgen und die Benutzer direkt zu den entscheidenden Momenten führen. Wir werden abschließen mit einem Blick darauf, wie beide Anwendungen gebaut wurden, was gut funktioniert hat und einige der Implementierungsdetails und Kompromisse hinter jedem Ansatz.