Databricksでのモデルのデプロイ

Databricks の基本概念

Kevin Barlow

Data Practitioner

機械学習ライフサイクル

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

モデルのデプロイと運用

モデルのデプロイにおける課題

可用性

• エンドユーザーやアプリケーションはモデルをどのように利用しますか？
• モデルへのアクセスのために、どこに配置する必要がありますか？
• モデルは使いやすく理解しやすいですか？

評価

• ユーザーは実際にモデルを使用していますか？
• モデルのパフォーマンスは維持されていますか？
• モデルの再トレーニングが必要ですか？
• より優れた新しいモデルが必要ですか？

モデルデプロイプロセス

モデルフレーバー

• MLFlow Modelsはあらゆる機械学習フレームワークのモデルを保存できます
• モデルは各種設定やアーティファクトとともに保存されます
• モデルは必要に応じて別の形式に「変換」できます。例：
  • scikit-learn
  • pyfunc
  • spark
  • tensorflow

モデルレジストリ

モデルレジストリ

モデルレジストリ

モデルレジストリ

モデルサービング

モデルサービング

モデルサービング

モデルサービング

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

練習しましょう！

Databricks の基本概念