Nachverfolgung von Experimenten

MLOps-Konzepte

Folkert Stijnman

ML Engineer

Machine-Learning-Experiment

machine learning experiment ingredients

MLOps-Konzepte

Warum ist es wichtig, Experimente nachzuverfolgen?

In jedem Experiment können wir folgende Faktoren konfigurieren:

machine learning configurations

MLOps-Konzepte

Nachverfolgung von Experimenten im ML-Lebenszyklus

Das Nachverfolgen von Experimenten kann sinnvoll sein, um:

  • Ergebnisse zu vergleichen
  • Frühere Experimente zu wiederholen
  • Mit Developern und Stakeholdern zusammenzuarbeiten
  • Ergebnisse an Stakeholder zu übermitteln
MLOps-Konzepte

Wie lassen sich Experimente nachverfolgen?

Werkzeug Vorteil Nachteil
Tabelle Einfach, leicht zu bedienen Viel manuelle Arbeit erforderlich
Eigene Plattform Maßgeschneiderte Lösung für unseren Prozess Zeit und Aufwand
Tracking-Tool für Experimente Speziell für Experimente entwickelt Gewisse Einarbeitung nötig

 

MLOps-Konzepte

Ein Machine-Learing-Experiment

Machine learning experiment examples

MLOps-Konzepte

Ablauf des Experiments

  1. Formulieren eine Hypothese: „Wir erwarten, dass ...“
  2. Sammeln von Bildern und Labels
  3. Experimente festlegen, z. B. Modelltypen, Hyperparameter, Datensätze
  4. Einrichten der Nachverfolgung
  5. Modelltraining
  6. Testen der Modelle an Testdatensatz
  7. Registrieren des leistungsfähigsten Modells
  8. Visualisierung, Einbeziehen von Team und Stakeholdern, nächste Schritte

machine learning model training and testing

MLOps-Konzepte

Lass uns üben!

MLOps-Konzepte

Preparing Video For Download...