Summary
Full Transcript
Na próxima edição do QuintoAndar Tech Talks, vamos mergulhar nos desafios de produtividade para Cientistas de Dados e Engenheiros de Machine Learning. Nosso especialista, Marco Vinha, vai desvendar a arquitetura e a estratégia por trás do nosso Laboratório Unificado de Modelagem. Abordaremos como resolvemos a proliferação de ferramentas ("tool sprawl") através de monorepos, um ambiente de desenvolvimento unificado, integrações nativas com nosso stack de dados e o poder de GenAI. O encontro passará pelos gargalos do ciclo de vida de ML, a centralização via monorepos, e como uma Developer Experience de ponta se torna uma vantagem competitiva. 👉 Quer trocar com a gente? Envie sua pergunta aqui: https://pollev.com/quintoandar _____________ Marco Vinha Software Engineer no time de MLOps do QuintoAndar, onde trabalha já há 6 anos. No QuintoAndar, trabalhou em sistemas de Processamento de Linguagem Natural, bastante próximo a Cientistas de Dados de diferentes níveis de expertise. Liderou o projeto do Laboratório Unificado de Modelagem, que entregou uma melhor experiência de desenvolvimento para Cientistas de Dados e Engenheiros de Software através de uma plataforma unificada e potencializada por integrações com GenAI. _____________ 👩🏻💻 Conheça as nossas vagas: https://carreiras.quintoandar.com.br/ 💻 Siga nosso LinkedIn: https://www.linkedin.com/company/quintoandar/ 📃 Acompanhe nosso blog tech: https://medium.com/quintoandar-tech-blog Sumário: 0:00 - Inicio da transmissão 4:23 - Abertura 10:09 - Who we build our platform for 12:32 - How was ML development at QuintoAndar 17:04 - Monorepos for AI and ML systems 20:56 - The ideal DevXP for Data Science 33:34 - GenAI Data Science productivity 38:31 - Trade-offs and impact 45:12 - Q&A 01:03:48 - Fechamento
Continue this lesson in the app
Install CourseHive on Android or iOS to keep learning while you move.
