Perfilamento, versionamento e feature stores

Implantação e ciclo de vida em MLOps

Nemanja Radojkovic

Senior Machine Learning Engineer

Perfilamento de dados

 

 

Análise automatizada de dados e criação de resumos de alto nível (também chamados de perfis de dados, expectativas), usados para validar e monitorar dados em produção

Propósito das referências 1

Implantação e ciclo de vida em MLOps

Propósito das referências 1

Implantação e ciclo de vida em MLOps

Propósito das referências 2

Implantação e ciclo de vida em MLOps

Propósito das referências 3

Implantação e ciclo de vida em MLOps

Risco de NÃO usar perfis de dados

  • Clientes reclamando, embora eles tenham enviado entradas com erro ao modelo
  • Sem como identificar drift nos dados e que o modelo não é mais válido
Implantação e ciclo de vida em MLOps

checklist profile

Implantação e ciclo de vida em MLOps

great expectations

Implantação e ciclo de vida em MLOps

checklist versioning

Implantação e ciclo de vida em MLOps

versioning arrow

Implantação e ciclo de vida em MLOps

ensure reproducibility

Implantação e ciclo de vida em MLOps

not a copy

Implantação e ciclo de vida em MLOps

data in place

Implantação e ciclo de vida em MLOps

just a pointer

Implantação e ciclo de vida em MLOps

version train test

Implantação e ciclo de vida em MLOps

 

dvc logo

 

 

 

  • Data
  • Version
  • Control
Implantação e ciclo de vida em MLOps

feature store

Implantação e ciclo de vida em MLOps

fs is a db

Implantação e ciclo de vida em MLOps

cross project reusability

Implantação e ciclo de vida em MLOps

dual db

Implantação e ciclo de vida em MLOps

high-volume db

Implantação e ciclo de vida em MLOps

single record db

Implantação e ciclo de vida em MLOps

reusability

Implantação e ciclo de vida em MLOps

train serve skew

Implantação e ciclo de vida em MLOps

emails

Implantação e ciclo de vida em MLOps

Vamos praticar!

Implantação e ciclo de vida em MLOps

Preparing Video For Download...