Automatisering

Machine Learning-modellen ontwikkelen voor productie

Sinan Ozdemir

Data Scientist, Entrepreneur, and Author

Introductie tot ML-automatisering

  • Automatisering zorgt voor betrouwbare, efficiënte ML-pijplijnen
  • Vermindert risico op menselijke fouten
  • Stroomlijnt ontwikkeling en deployment
  • De vier hoofdprincipes van MLOps:
    • Continuous Integration (CI)
    • Continuous Deployment (CD)
    • Continuous Training (CT)
    • Continuous Monitoring (CM)
Machine Learning-modellen ontwikkelen voor productie

Vier principes van automatisering

Continuous Integration (CI) Regelmatig codewijzigingen integreren in een gedeelde repository coding

Continuous Delivery (CD) Codewijzigingen automatisch bouwen, testen en deployen package

Continuous Training (CT) Het model continu trainen en updaten met nieuwe data

brain

Continuous Monitoring (CM) Doorlopend de modelprestatie en nauwkeurigheid monitoren monitor

Machine Learning-modellen ontwikkelen voor productie

Continuous integration en delivery

Continuous Integration (CI)

  • Zorgt dat code altijd werkt
  • Vermindert risico op menselijke fouten
  • Vangt issues vroeg af

Continuous Delivery (CD)

  • Snelle, consistente modeldeployment
  • Kortere time-to-production
  • Vermindert risico op menselijke fouten

CI/CD-tools: Git, AWS CodePipeline, Jenkins, Travis CI

jenkins

Machine Learning-modellen ontwikkelen voor productie

Continu trainen en monitoren

Continuous Training (CT)

  • Houdt modellen accuraat en up-to-date
  • Vermindert risico op modelverval
  • Kortere hertrainingstijd

Continuous Monitoring (CM)

  • Vermindert risico op modelverval
  • Verbetert de algehele nauwkeurigheid
  • Consistente, betrouwbare ML-metrics
  • Spoort problemen vroeg op

monitor

Machine Learning-modellen ontwikkelen voor productie

Voorbeeld van ML-automatisering op schaal

  1. CI: De modelcode wordt gecommit naar Git.

  2. CD: De gecommit­te code wordt gebouwd en getest met een CI/CD-tool zoals Jenkins. Als alles slaagt, deployen we.

    • Het model wordt geserialiseerd.
    • Afhankelijkheden worden ingesteld met Docker.
    • De Docker-image wordt gedeployed.

  3. CM: Modelprestatie wordt continu gemonitord.

    • Monitoring stuurt beslissingen over het model.
    • CM-tools zijn o.a. Prometheus en Grafana

  4. CT: Het model wordt getraind op nieuwe data.

  5. Nieuwe code schrijven / modellen updaten ... terug naar stap 1

Machine Learning-modellen ontwikkelen voor productie

Laten we oefenen!

Machine Learning-modellen ontwikkelen voor productie

Preparing Video For Download...