Podejście MLOps

Tworzenie modeli uczenia maszynowego na potrzeby produkcji

Sinan Ozdemir

Data Scientist, Entrepreneur, and Author

MLOps

  • Proces automatyzacji i usprawniania przepływu pracy ML – od eksperymentów do produkcji
  • Zapewnia, że eksperymenty ML są właściwie przetestowane i gotowe do wdrożenia oraz skalowania

mlops

Tworzenie modeli uczenia maszynowego na potrzeby produkcji

Eksperymenty ML

Eksperymenty ML polegają na testowaniu modeli i wyborze najlepszego

  • MLOps obejmuje eksperymentowanie z modelami
  • Ocena modeli na różnych zbiorach danych
  • Staranny dobór modelu jest kluczowy
  • Proces selekcji może być czasochłonny
  • Zapewnia sukces projektu
Tworzenie modeli uczenia maszynowego na potrzeby produkcji

Od eksperymentów do produkcji

las

Co sprawia, że eksperyment ML jest gotowy do produkcji?

  • Przetestowany i zwalidowany przy użyciu odpowiednich metryk
  • Właściwa dokumentacja
  • Wdrożony monitoring
  • Środowisko produkcyjne jest bezpieczne i skalowalne
Tworzenie modeli uczenia maszynowego na potrzeby produkcji

Dlaczego większość eksperymentów ML kończy się niepowodzeniem

Przyczyn może być wiele:

  • Brak jasnych celów i założeń
  • Niska jakość danych
  • Złożone architektury modeli
  • Niewystarczająca ilość danych treningowych
  • Przeuczenie lub niedouczenie modelu
Tworzenie modeli uczenia maszynowego na potrzeby produkcji

Dług techniczny

Kod pisany w pośpiechu, bez testowania i walidacji, lub niekompletna/nieaktualna dokumentacja

  • Niezaadresowane wcześnie może prowadzić do kosztownych błędów.
  • Unikaj długu technicznego, pisząc dobry kod i dokumentację od początku.

dobry kot

Tworzenie modeli uczenia maszynowego na potrzeby produkcji

Czas na ćwiczenia!

Tworzenie modeli uczenia maszynowego na potrzeby produkcji

Preparing Video For Download...