Experimenttracking

MLOps-concepten

Folkert Stijnman

ML Engineer

Het machinelearningexperiment

onderdelen van een machinelearningexperiment

Waarom is experimenttracking belangrijk?

In elk experiment kun je de volgende factoren instellen:

machinelearningconfiguraties

Experimenttracking in de ML-levenscyclus

Experimenttracking helpt om:

Resultaten te vergelijken
Eerdere experimenten te reproduceren
Samen te werken met developers en stakeholders
Te rapporteren aan stakeholders

Hoe experimenteer je tracken?

Tool	Pro	Con
Spreadsheet	Eenvoudig, makkelijk te gebruiken	Veel handwerk nodig
Proprietair platform	Aangepast aan ons proces	Kost tijd en moeite
Experimenttrackingtool	Specifiek ontworpen voor experimenten	Vereist wennen aan de tool

Een machinelearningexperiment

Voorbeelden van machinelearningexperimenten

Het experimentproces

Stel een hypothese op: "We verwachten dat..."
Verzamel afbeeldingen en labels
Definieer experimenten, bv. modeltypen, hyperparameters, datasets
Zet experimenttracking op
Train het/de machinelearningmodel(len)
Test de modellen op een hold-out testset
Registreer het best passende model
Visualiseer, rapporteer aan team en stakeholders, en bepaal vervolgstappen

training en testen van een machinelearningmodel

Laten we oefenen!

MLOps-concepten

Preparing Video For Download...