Menerapkan model di Databricks

Konsep Databricks

Kevin Barlow

Data Practitioner

Siklus Hidup Machine Learning

Siklus Hidup Machine Learning

1 https://www.datacamp.com/blog/machine-learning-lifecycle-explained
Konsep Databricks

Penerapan dan Operasi Model

Siklus Hidup Machine Learning

Konsep Databricks

Pertimbangan saat menerapkan model

Ketersediaan

  • Bagaimana pengguna akhir atau aplikasi memakai model?
  • Di mana saya harus menaruh model agar bisa diakses?
  • Apakah model mudah dipahami atau digunakan?

Menggunakan model ML

Evaluasi

  • Apakah pengguna benar-benar memakai model saya?
  • Apakah performa model masih baik?
  • Perlukah saya melatih ulang model?
  • Perlukah model baru yang lebih baik?

Mengevaluasi model ML

Konsep Databricks

Proses Penerapan Model

Proses Penerapan Model

Konsep Databricks

Flavor Model

  • MLFlow Models dapat menyimpan model dari framework machine learning apa pun
  • Model disimpan beserta berbagai konfigurasi dan artefak
  • Model bisa “diterjemahkan” ke flavor lain sesuai kebutuhan. Contoh:
    • scikit-learn
    • pyfunc
    • spark
    • tensorflow

MLFlow Models

Konsep Databricks

Model Registry

Registri Model Databricks

Konsep Databricks

Model Registry

Model Registry - Model Terdaftar

Konsep Databricks

Model Registry

Model Registry - Versi Model

Konsep Databricks

Model Registry

Model Registry - Tahap Model

Konsep Databricks

Model Serving

Penyajian Model Databricks

Konsep Databricks

Model Serving

Model Serving - Kluster

Konsep Databricks

Model Serving

Model Serving - Pemilihan Model

Konsep Databricks

Model Serving

Metrik Model Serving

1 https://www.databricks.com/product/model-serving
Konsep Databricks

Ayo berlatih!

Konsep Databricks

Preparing Video For Download...