Gratulujeme!

Developing Machine Learning Models for Production

Sinan Ozdemir

Data Scientist, Entrepreneur, and Author

Od experimentu k produkci

  • Identifikovat, kdy je ML experiment připraven k nasazení do produkce
  • Rozpoznat příčiny technického dluhu

Obrázek: Složka s dokumenty a souborem kódu na počítači

  • Psát efektivní dokumentaci a udržovatelný kód
  • Efektivní dokumentace a udržovatelný kód snižují technický dluh
Developing Machine Learning Models for Production

Zajištění reprodukovatelnosti

  • Zajistit reprodukovatelnost v strojovém učení
  • Provádět feature engineering pro optimalizaci výkonu ML pipeline

fe book

  • Navrhovat reprodukovatelné experimenty
  • Implementovat verzování dat a modelů pro sledování změn
Developing Machine Learning Models for Production

Nasazení ML modelů

  • Zabalit ML modely a prostředí pro nasazení v různých frameworcích
  • Zajistit škálovatelnost ML modelů pro zvládnutí větší zátěže

docker

  • Čtyři principy MLOps: průběžná integrace, průběžné doručování, průběžný trénink a průběžné monitorování
Developing Machine Learning Models for Production

Testování a vyhodnocování

  • Různé typy testování – unit testy, integrační testy, smoke testy

Roboti pracující s daty

  • Hodnotit spolehlivost modelu a ověřovat přesnost výsledků
  • Testovat modely k odhalení potenciálních problémů a zlepšení výkonu
Developing Machine Learning Models for Production

Pokračujte dál!

  • Aplikovat získané znalosti na reálný projekt
  • Zajistit reprodukovatelnost, škálovatelnost, spolehlivost a monitorovat data drift
  • Nastavit experimentální framework pro A/B testování modelu
  • Pravidelně model přetrénovat a aktualizovat, aby zůstal relevantní a přesný
  • Sledovat nové trendy v oblasti strojového učení
  • Neustále rozvíjet své dovednosti a odborné znalosti
Developing Machine Learning Models for Production

Pojďme na to!

Developing Machine Learning Models for Production

Preparing Video For Download...