Fáze vývoje

MLOps for Business

Arne Jonas Warnke

Head of Emerging Curriculum

Důležité kroky ve fázi vývoje

Fáze vývoje

Příprava dat nebo tvorba příznaků

Příprava dat

Příprava dat nebo tvorba příznaků

Zde,

Zpřístupnit data v centrální databázi
Formátovat data pro modely ML
Tvorba příznaků
- Seskupování dat
- Nahrazení chybějících dat
- Zpracování extrémních hodnot

Zúčastněné osoby

Datový inženýr, datový vědec a obchodní expert

$$

Tabulka s čísly

Trénování nebo experimentování s modelem

Vývoj a trénování modelu

Trénování nebo experimentování s modelem

Úkoly:

Trénování a ladění modelu ML
Porovnání s alternativami
Hodnocení výkonu

Důležité

Automaticky zaznamenat všechny výsledky

Úkol pro

Datového vědce / inženýra strojového učení

$$

Hybrid člověka a robota píšící kód

Hodnocení modelu

Hodnocení modelu

Hodnocení modelu

$$

Člověk hodnotící kód

Zde ověřujeme

Jsou splněny obchodní požadavky?
- např. ochrana dat
Zátěžový test modelu
- simulace extrémních podmínek
Chování modelu
- spravedlivost?

$$

Úkol pro

Datového vědce / inženýra strojového učení

Testování a ověřování

Testování a ověřování

Testování a ověřování

Aplikace softwarového inženýrství

Testy a
Osvědčené postupy

na model ML, např.,

Model nemá škodlivý dopad na širší systém

Úkol pro

Softwarového inženýra / inženýra strojového učení

Testování kódu

Procvičte si vývoj modelu

MLOps for Business

Preparing Video For Download...