Wdrażanie modelu w Databricks

Koncepcje Databricks

Kevin Barlow

Data Practitioner

Cykl życia uczenia maszynowego

Cykl życia uczenia maszynowego

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

Wdrożenie i eksploatacja modelu

Cykl życia uczenia maszynowego

Koncepcje Databricks

Wyzwania związane z wdrażaniem modeli

Dostępność

  • W jaki sposób użytkownicy lub aplikacja będą korzystać z modelu?
  • Gdzie należy umieścić model, aby był dostępny?
  • Czy model będzie łatwy w użyciu i zrozumieniu?

Korzystanie z modelu ML

Ewaluacja

  • Czy użytkownicy rzeczywiście korzystają z modelu?
  • Czy model nadal działa poprawnie?
  • Czy należy ponownie wytrenować model?
  • Czy potrzebny jest lepszy, nowy model?

Ewaluacja modelu ML

Koncepcje Databricks

Proces wdrażania modelu

Proces wdrażania modelu

Koncepcje Databricks

Warianty modeli

  • MLFlow Models może przechowywać modele z dowolnego frameworku ML
  • Modele są przechowywane wraz z konfiguracjami i artefaktami
  • Modele można „przekształcić" na inny typ w zależności od potrzeb. Na przykład:
    • scikit-learn
    • pyfunc
    • spark
    • tensorflow

Modele MLFlow

Koncepcje Databricks

Rejestr modeli

Rejestr modeli Databricks

Koncepcje Databricks

Rejestr modeli

Rejestr modeli – zarejestrowane modele

Koncepcje Databricks

Rejestr modeli

Rejestr modeli – wersje modeli

Koncepcje Databricks

Rejestr modeli

Rejestr modeli – etapowanie modeli

Koncepcje Databricks

Serwowanie modeli

Serwowanie modeli w Databricks

Koncepcje Databricks

Serwowanie modeli

Serwowanie modeli – klaster

Koncepcje Databricks

Serwowanie modeli

Serwowanie modeli – wybór modelu

Koncepcje Databricks

Serwowanie modeli

Metryki serwowania modeli

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

Czas na ćwiczenia!

Koncepcje Databricks

Preparing Video For Download...