Databricks’te model dağıtımı

Databricks Kavramları

Kevin Barlow

Data Practitioner

Makine Öğrenimi Yaşam Döngüsü

Makine Öğrenimi Yaşam Döngüsü

1 https://www.datacamp.com/blog/machine-learning-lifecycle-explained
Databricks Kavramları

Model Dağıtımı ve Operasyonları

Makine Öğrenimi Yaşam Döngüsü

Databricks Kavramları

Model dağıtımında dikkat edilecekler

Erişilebilirlik

  • Son kullanıcılarım veya uygulamam modeli nasıl kullanır?
  • Modele erişmek için nereye koymalıyım?
  • Model anlaşılır ve kullanımı kolay olacak mı?

Bir ML modeli kullanımı

Değerlendirme

  • Kullanıcılarım modeli gerçekten kullanıyor mu?
  • Modelim hâlâ iyi performans gösteriyor mu?
  • Modeli yeniden eğitmem gerekir mi?
  • Daha iyi yeni bir modele ihtiyaç var mı?

Bir ML modelini değerlendirme

Databricks Kavramları

Model Dağıtım Süreci

Model Dağıtım Süreci

Databricks Kavramları

Model Türleri (Flavors)

  • MLFlow Models, herhangi bir makine öğrenimi çerçevesinden modeli saklayabilir
  • Modeller, farklı yapılandırmalar ve yapıtlarla birlikte tutulur
  • Modeller, ihtiyaca göre başka bir türe “çevirilebilir”. Örneğin:
    • scikit-learn
    • pyfunc
    • spark
    • tensorflow

MLFlow Modelleri

Databricks Kavramları

Model Registry

Databricks Model Registry

Databricks Kavramları

Model Registry

Model Registry - Kayıtlı Modeller

Databricks Kavramları

Model Registry

Model Registry - Model Sürümleri

Databricks Kavramları

Model Registry

Model Registry - Model Aşaması

Databricks Kavramları

Model Sunumu

Databricks Model Sunumu

Databricks Kavramları

Model Sunumu

Model Sunumu - Küme

Databricks Kavramları

Model Sunumu

Model Sunumu - Model Seçimi

Databricks Kavramları

Model Sunumu

Model Sunumu Ölçümleri

1 https://www.databricks.com/product/model-serving
Databricks Kavramları

Hadi pratik yapalım!

Databricks Kavramları

Preparing Video For Download...