Complimenti!

Sviluppare modelli di Machine Learning per la produzione

Sinan Ozdemir

Data Scientist, Entrepreneur, and Author

Dall’esperimento alla produzione

• Capire quando un esperimento ML è pronto per la produzione
• Riconoscere le cause del debito tecnico

• Scrivere documentazione efficace e codice manutenibile
• Buona documentazione e codice manutenibile riducono il debito tecnico

Garantire la riproducibilità

• Garantire la riproducibilità nel machine learning
• Fare feature engineering per ottimizzare le pipeline ML

• Progettare esperimenti riproducibili
• Implementare versioning di dati e modelli per tracciare i cambiamenti

Deployment dei modelli ML

• Impacchettare modelli ML e ambienti per il deploy in vari framework
• Garantire la scalabilità dei modelli per carichi maggiori

• Quattro principi MLOps: Continuous Integration, Continuous Delivery, Continuous Training, Continuous Monitoring

Test + Valutazione

• Tipi di test: unit, integrazione, smoke

• Valutare l’affidabilità del modello per ottenere risultati accurati
• Testare i modelli per trovare problemi e migliorare le prestazioni

Continua così!

• Applica quanto hai imparato in un progetto reale
• Assicura riproducibilità, scalabilità, affidabilità e monitora il data drift
• Imposta un framework di sperimentazione per l’A/B test del modello
• Riesegui il training e aggiorna il modello regolarmente per mantenerlo rilevante e accurato
• Continua a seguire le novità nel machine learning
• Migliora continuamente le tue competenze

Andiamo!

Sviluppare modelli di Machine Learning per la produzione