Modelonderhoud

MLOps-deployments en levenscyclus

Nemanja Radojkovic

Senior Machine Learning Engineer

Eerder...

Focus van deze les: falende ML‑modellen

model verslechterd

model verbeteren

dataset verbeteren

model‑centrisch

data centric

¹ https://datacentricai.org/

Label == Doelwaarde in de trainingsset

Labelkwaliteit == hoe dicht het label bij de ground truth ligt

slechte labels

slechte voorspelling

Handmatig labelen is complex, traag en foutgevoelig

Gebruik goede labelingtools!

labeling tool

Voorbeeld: tool voor beeldlabeling, voor het bouwen van beeldclassifiers

mens in de lus

HIL 2

input van experts

Draai ML‑buildpipeline => nieuw model
Check of het nieuwe model beter is dan het oude
- JA => testen en deployen
- NEE => verder zoeken

Enorm handig: Metadata store (MLflow Tracking, etc.)

Hoe dan ook: MLOps helpt ons het model snel en efficiënt te onderhouden

MLOps-deployments en levenscyclus