ML auto-correcteur + recherche multimodale avec Elastic

Rejoignez le groupe d'utilisateurs Elastic de Washington, D.C. le mercredi 16 septembre pour une rencontre passionnante.Nous présenterons une conférence de Kritika Berry et Josh Phifer, suivie de réseautage, de rafraîchissements et de pizza avec la communauté tech et Elastic de D.C.Date et heure : Mercredi, 16 septembre, de 17h30 à 19h30 EDTLieu : Bureau d'Elastic Arlington - 4100 Fairfax Drive, Ste 500, Arlington, VA 22203Parking :Agenda :Résumé des conférences : Tableaux de bord vers décisions : une boucle ML auto-correctrice avec Elastic Observability - Kritika Berry (Ingénieur logiciel) La plupart des pipelines ML rencontrent une baisse de précision ou une augmentation de latence au fur et à mesure qu'ils s'entraînent progressivement, ce qui passe inaperçu jusqu'à ce que quelqu'un en aval se plaigne. Dans cette présentation, je montrerai comment j'ai intégré Elastic Observability dans mon flux de travail ML afin que le pipeline se surveille lui-même : les journaux, les métriques et les traces se réintègrent dans le système pour détecter les dérives et les erreurs, puis déclenchent automatiquement des actions correctives. Cette session livre un modèle pratique pour transformer les données d'observabilité de quelque chose que vous regardez simplement en quelque chose qui corrige vraiment vos modèles.Construire une recherche multimodale avec Elastic et Jina - Josh Phifer, Architecte de solutions principal chez ElasticNous passerons en revue deux démonstrations utilisant Elastic et Jina pour alimenter la recherche multimodale. La première est une expérience de recherche d'œuvres d'art où les utilisateurs peuvent chercher avec du texte, des images ou une combinaison des deux. À partir de là, un agent peut aider à affiner les résultats, à comparer des pièces et à explorer les similitudes en termes de style, de sujet, de couleur et d'autres détails visuels. La deuxième démo applique les mêmes concepts à la vidéo. Les vidéos sont divisées en segments recherchables, ce qui permet de trouver des scènes spécifiques, des objets, des actions ou des sujets avec une question simple. L'agent peut rechercher des clips, suivre des résultats connexes et diriger les utilisateurs directement vers les moments qui comptent. Nous terminerons par un aperçu de la façon dont les deux applications ont été construites, ce qui a bien fonctionné et certains des détails d'implémentation et des compromis derrière chaque approche.