ML Auto-Correctivo + Búsqueda Multimodal con Elastic

Únete al grupo de usuarios de Elastic en Washington, D.C. el miércoles 16 de septiembre para un emocionante encuentro.Contaremos con una presentación de Kritika Berry y Josh Phifer, seguida de una sesión de networking, refrigerios y pizza con la comunidad técnica de DC y Elastic.Fecha y hora: Miércoles, 16 de septiembre, de 5:30 a 7:30 p.m. EDTUbicación: Oficina de Elastic Arlington - 4100 Fairfax Drive, Ste 500, Arlington, VA 22203Estacionamiento:Agenda:Resúmenes de las charlas: Paneles de Control a Decisiones: Un Bucle de ML Auto-Correctivo con Elastic Observability - Kritika Berry (Ingeniera de Software) La mayoría de los pipelines de ML enfrentan una caída en la precisión o un aumento en la latencia a medida que entrena gradualmente, lo que pasa desapercibido hasta que alguien a largo plazo se queja. En esta charla mostraré cómo integré Elastic Observability en mi flujo de trabajo de ML, para que el pipeline se supervise a sí mismo: los registros, métricas y trazas retroalimentan el sistema para detectar desviaciones y errores, y luego activar acciones correctivas automáticamente. Esta sesión ofrece un patrón práctico para convertir los datos de observabilidad de algo que solo miras en algo que realmente corrige tus modelos.Creando Búsqueda Multimodal con Elastic y Jina Josh Phifer, Arquitecto de Soluciones Principal en ElasticNavegaremos a través de dos demostraciones utilizando Elastic y Jina para potenciar la búsqueda multimodal. La primera es una experiencia de búsqueda de obras de arte donde los usuarios pueden buscar con texto, imágenes o una combinación de ambos. A partir de ahí, un agente puede ayudar a reducir los resultados, comparar piezas y explorar similitudes a través de estilo, tema, color y otros detalles visuales. La segunda demostración aplica los mismos conceptos a video. Los videos se dividen en segmentos buscables, lo que hace posible encontrar escenas, objetos, acciones o temas específicos con una simple pregunta. El agente puede buscar entre clips, seguir resultados relacionados y llevar a los usuarios directamente a los momentos que importan. Cerraremos con una mirada a cómo se construyeron ambas aplicaciones, qué funcionó bien y algunos de los detalles de implementación y decisiones detrás de cada enfoque.