ML Autocorretivo + Busca Multimodal com Elastic

Junte-se ao Grupo de Usuários do Elastic em Washington, D.C. na quarta-feira, 16 de setembro para um encontro empolgante.Teremos uma apresentação de Kritika Berry e Josh Phifer, seguida de networking, refrescos e pizza com a comunidade de tecnologia de DC e Elastic.Data e Hora: Quarta-feira, 16 de setembro, das 17:30 às 19:30 EDTLocal: Escritório da Elastic em Arlington - 4100 Fairfax Drive, Ste 500, Arlington, VA 22203Estacionamento:Agenda:Resumos das Palestras: Painéis de Decisão: Um Ciclo de ML Autocorretivo com Elastic Observability - Kritika Berry (Engenheira de Software) A maioria dos pipelines de ML enfrenta uma queda na precisão ou um aumento na latência à medida que treina gradualmente, algo que passa despercebido até que alguém a jusante reclame. Nesta palestra, vou mostrar como conectei Elastic Observability ao meu fluxo de trabalho de ML, de modo que o pipeline se vigia: logs, métricas e rastreamentos se retroalimentam no sistema para capturar desvios e erros, acionando automaticamente ações corretivas. Esta sessão oferece um padrão prático para transformar dados de observabilidade de algo que você apenas observa em algo que realmente corrige seus modelos.Construindo Busca Multimodal com Elastic e Jina Josh Phifer, Arquiteto Principal de Soluções na ElasticVamos percorrer duas demonstrações usando Elastic e Jina para potencializar a busca multimodal. A primeira é uma experiência de busca de obras de arte onde os usuários podem pesquisar com texto, imagens ou uma combinação de ambos. A partir daí, um agente pode ajudar a restringir os resultados, comparar peças e explorar semelhanças em estilo, assunto, cor e outros detalhes visuais. A segunda demonstração aplica os mesmos conceitos a vídeo. Os vídeos são divididos em segmentos pesquisáveis, tornando possível encontrar cenas, objetos, ações ou tópicos específicos com uma simples pergunta. O agente pode buscar em clipes, seguir resultados relacionados e levar os usuários diretamente aos momentos que importam. Vamos concluir com uma visão de como ambas as aplicações foram construídas, o que funcionou bem e alguns dos detalhes de implementação e trade-offs por trás de cada abordagem.