Add support or guidance for multimodal ML workflows in MLOps Stacks
Nadie ha tomado este issue todavía.
Evaluación
- Dificultad
- 5/5
- Tiempo estimado
- Más de una semana
- Aptitud para principiantes
- 25/100
- Tipo de issue
- Nueva funcionalidad
- Claridad
- Necesita aclaración
- Estado de actividad
- Estancado
- Stack tecnológico
- machine-learning
- Área
- devops, machine-learning
Línea de trabajo
Revisa las plantillas y la configuración existentes de MLOps Stacks para determinar si ya se admiten flujos de trabajo multimodales. Define si el resultado debe consistir en plantillas, documentación oficial o un ejemplo de configuración, y considera los artefactos del modelo, las modalidades de datos y las métricas de evaluación solicitados como criterios de finalización.
Escrito por el modelo de indexación a partir del texto del issue.
Descripción
I would like to request support (or at least documentation and examples) for multimodal machine learning workflows within the Databricks MLOps Stacks.
Currently, the stack appears well-suited for traditional single-modality use cases, but as ML systems evolve, many modern applications involve multiple models orchestrated into a single model and for that reason I'd suggest suggest one (or more) of the following:
-
Add out-of-the-box templates that demonstrate managing and deploying multimodal workflows.
-
Provide official guidance on how to extend the existing stack for multimodal setups (e.g., handling multiple model artifacts, data modalities, and evaluation metrics).
-
Clarify whether the current stack design already allows such workflows through configuration, and if so, provide an example.
Thank you for your time and for continuing to evolve this excellent project.
- Lenguaje dominante
- Go Template
- Estrellas
- 725
- Forks
- 268
- Métricas de merge de PR
- Sin PR fusionados en 30 d
Preparar el entorno
Este proyecto no incluye contenedor de desarrollo, Dockerfile ni guía de contribución, así que la configuración corre por tu cuenta: empieza por su README y consulta nuestra guía para la primera contribución para los pasos generales.
Primeros pasos
- Lee el issue completo y luego la guía de contribución del proyecto.
- Comenta en el issue que vas a ocuparte — evita que dos personas hagan lo mismo.
- Haz un fork del repositorio y trabaja en una rama.
- Abre un pull request que haga referencia al número del issue.
Más de databricks/mlops-stacks
-
Dificultad 4/5 3-5 días Aptitud para principiantes 42/100
databricks/mlops-stacks#217 · 1 comentario · 1 reacción ·
-
Fix missing pkg_resources issue for testsPosiblemente ocupada @9cpluss la tomó hace 199 días. Abierto
Dificultad 2/5 Medio día Aptitud para principiantes 45/100
databricks/mlops-stacks#215 ·
-
Dificultad 3/5 1-2 días Aptitud para principiantes 35/100
databricks/mlops-stacks#201 · 1 comentario ·
-
Dificultad 2/5 1-3 horas Aptitud para principiantes 48/100
databricks/mlops-stacks#182 ·
-
Dificultad 3/5 1-2 días Aptitud para principiantes 35/100
databricks/mlops-stacks#181 · 1 reacción ·
Todos los issues de databricks/mlops-stacks
Issues similares
-
enhancement
Dificultad 2/5 1-3 horas Aptitud para principiantes 72/100
zizmorcore/zizmor-action#195 · 2 comentarios ·
Los mantenedores suelen responder en 1 día
-
🐛 The Rulekeeper - An index run that gives up on the lock ends SucceededPosiblemente ocupada @github-actions la tomó hoy. Abierto
Dificultad 2/5 1-3 horas Aptitud para principiantes 72/100
SSWConsulting/SSW.Rules#2809 · 1 comentario ·
Los mantenedores suelen responder en 1 día
-
automated-triage type/bug type/ci
Dificultad 2/5 1-3 horas Aptitud para principiantes 78/100
Los mantenedores suelen responder en 1 día
-
bug documentation
Dificultad 2/5 1-3 horas Aptitud para principiantes 73/100
buckai-observatory/Automated-Cloud-Removal-and-Seamless-Satellite-Image-Mosaicking-Pipeline#46 ·
Los mantenedores suelen responder en 1 día
-
automated issue report
Dificultad 1/5 Menos de una hora Aptitud para principiantes 68/100
Los mantenedores suelen responder en 1 día