Większość aplikacji, jakie tworzymy, to tak zwane aplikacje "single tenant". Czyli mówiąc prostym językiem to jedną instancję aplikacji dla pojedynczego klienta/firmy/organizacji. Gdy pojawia się druga firma, to po prostu stawiamy dla niej nową instancję i wszyscy są zadowoleni. Ale co w sytuacji, gdy napływ klientów staje się coraz większy a utrzymanie infrastruktury jest zbyt kosztowne? W tym przypadku możemy zastosować model "multi-tenant" - to model, w którym klienci aplikacji współdzielą między sobą jakieś zasoby, na przykład — serwer, bazę danych i inne usługi pracujące w ramach aplikacji. A być może potrzebujemy różną konfigurację dla stałych klientów, a klientów ze środowiskiem testowym ? Podczas prezentacji opowiem Wam o wadach i zaletach "multi-tenant" aplikacji, podam przykład architektury aplikacji napisanej w Pythona/Django, a na koniec będzie chwila na pytania/odpowiedzi.

Korzystając z danych nt. interakcji w firmach i wykorzystując teorię grafów przeszliśmy długą drogę zmiany samych danych na wnioski i akcje, które służą doskonaleniu nawyków pracy w zespołach. Mierzyliśmy się z wieloma wyzwaniami: oczyszczania danych z szumów, budowania heurystyk w przypadku braku danych, tworzenia benchmarków i wizualizacji danych tak, by były proste w interpretacji i nakłaniały do działania. O tej drodze Wam opowiemy.

Spark jako wydajny biblioteka do obliczeń rozproszonych jest obecnie powszechnie używany w rozwiązaniach z zakresu Big Data. Synapse ML pozwala wykorzystać jego możliwości do budowy skalowalnych rozwiązań uczenia maszynowego. Koncepcją Synapse ML jest zapewnienie ekosystemu narzędzi do uczenia się i analizy danych, których celem jest wykorzystanie Spark do uczenia maszynowego. Wykład skupia się na praktycznych rozwiązaniach opracowanych przy użyciu Synapse ML oraz funkcjonalnościach tej biblioteki, m.in. skalowalnemu uczeniu głębokiemu i rozproszonym mikroserwisom.

Python jest powszechnie stosowany w "dużym" deep learningu gdzie i uczenie i inferencja odbywają się na maszynach klasy PC z kartami graficznymi, jednak same modele można też ustawiać na o wiele mniejszych maszynach. W prezentacji powiem o zastosowaniach Python'a do tego na przykładach kilku projektów wykorzystujących coraz to mniejsze komputery embedded aż do modelu uczenia maszynowego na rękawicy z wykorzystaniem MicroPython.