Komponen arsitektur dalam kerangka ML end-to-end

Machine Learning Ujung ke Ujung

Joshua Stapleton

Machine Learning Engineer

Feature store

Fitur

Seleksi fitur
Rekayasa fitur

Feature store

Repositori terpusat untuk fitur
Menjamin konsistensi, kurangi duplikasi
Memungkinkan berbagi dan penemuan
Standarkan transformasi dan perhitungan fitur

Gambar siklus hidup machine learning dengan feature store ditambahkan

Feast

Alat populer untuk implementasi feature store
Menyediakan pengelolaan, penyimpanan, penyajian, dan penemuan fitur ML terpadu

Prinsip

Definisikan, daftarkan fitur dengan feature set
Feature set: pengelompokan fitur terkait + metadata

Contoh: fitur penyakit jantung

Entitas pasien
Fitur terkait (kolesterol, usia, jenis kelamin)

Feature store Feast bagian 1

from feast import Field, Entity, ValueType, FeatureStore
from feast.data_source import FileSource


# Define the entity, which in this case is a patient, and features
patient = Entity(name="patient", join_keys=["patient_id"])

chol = Field(name="chol", dtype=Float32)
age = Field(name="age", dtype=Int32)
...

# Define the data source
data_source = FileSource(
    path="/path_to_heart_disease_dataset.csv",
    event_timestamp_column="event_timestamp",
    created_timestamp_column="created")

Feature store Feast bagian 2

# ... continued
# Create a feature view of the data
heart_disease_fv = FeatureView(name="heart_disease", entities=[patient],
    schema=[cholesterol, ...], ttl=timedelta(days=1), input=data_source,)


# Create a FeatureStore object
store = FeatureStore(repo_path=".")


# Register the FeatureView
store.apply([patient, heart_disease_fv])

Model registry

Model registry

Sistem kontrol versi
Lacak berbagai versi model
Anotasi model
Pantau kinerja dari waktu ke waktu

Manfaat

Organisasi
Transparansi
Reproducibilitas

Gambar siklus hidup machine learning dengan model registry ditambahkan

Ayo berlatih!

Machine Learning Ujung ke Ujung