De ontwikkelfase

MLOps voor bedrijven

Arne Jonas Warnke

Head of Emerging Curriculum

Belangrijke stappen in de ontwikkelfase

  Ontwikkelfase

MLOps voor bedrijven

Datavoorbereiding of feature engineering

  Datavoorbereiding

MLOps voor bedrijven

Datavoorbereiding of feature engineering

Hier:

  • Zet ze centraal in een database
  • Formatteer data voor ML-modellen
  • Feature engineering
    • Data groeperen
    • Missende data vervangen
    • Omgaan met extreme observaties

Betrokken rollen

  • Data engineer, data scientist en business expert

$$

Een blad met cijfers

MLOps voor bedrijven

Modeltraining of experimenteren

Modelontwikkeling en training

MLOps voor bedrijven

Modeltraining of experimenteren

Taken:

  • ML-model trainen en afstemmen
  • Vergelijken met alternatieven
  • Prestaties beoordelen

Belangrijk

  • Log alle resultaten automatisch

 

Taak van

  • Data scientist / machine learning engineer

$$

Een hybride van mens en robot die code schrijft

MLOps voor bedrijven

Modelbeoordeling

Modelbeoordeling

MLOps voor bedrijven

Modelbeoordeling

$$

Een persoon die code beoordeelt

We checken hier

  • Voldoen we aan businessvereisten?
    • bijv. dataprivacy
  • Model-‘stress test’
    • extreme omstandigheden simuleren
  • Modelgedrag
    • fairness?

$$

Taak van

  • Data scientist / machine learning engineer
MLOps voor bedrijven

Testen en verificatie

Testen en verifiëren

MLOps voor bedrijven

Testen en verificatie

Pas software-engineering toe

  • Tests en
  • Best practices

op het ML-model, bijv.

  • Model schaadt het bredere systeem niet

Taak van

  • Software engineer / machine learning engineer

Code testen

MLOps voor bedrijven

Laten we oefenen met modelontwikkeling

MLOps voor bedrijven

Preparing Video For Download...