Gratulacje!

Tworzenie modeli uczenia maszynowego na potrzeby produkcji

Sinan Ozdemir

Data Scientist, Entrepreneur, and Author

Od eksperymentu do produkcji

• Identyfikowanie, kiedy eksperyment ML jest gotowy do wdrożenia produkcyjnego
• Rozpoznawanie przyczyn długu technicznego

• Pisanie skutecznej dokumentacji i łatwego w utrzymaniu kodu
• Dobra dokumentacja i czytelny kod zmniejszają dług techniczny

Zapewnianie reprodukowalności

• Zapewnianie reprodukowalności w uczeniu maszynowym
• Stosowanie inżynierii cech w celu optymalizacji potoku ML

• Projektowanie reprodukowalnych eksperymentów
• Wersjonowanie danych i modeli w celu śledzenia zmian

Wdrażanie modeli ML

• Pakowanie modeli ML i środowisk do wdrożenia w różnych frameworkach
• Zapewnianie skalowalności modeli ML przy większych obciążeniach

• Cztery zasady MLOps: Ciągła Integracja, Ciągłe Dostarczanie, Ciągłe Trenowanie i Ciągłe Monitorowanie

Testowanie i ewaluacja

• Różne rodzaje testów: jednostkowe, integracyjne, dymne

• Ocena niezawodności modelu w celu zapewnienia dokładnych wyników
• Testowanie modeli w celu wykrywania problemów i poprawy wydajności

Kontynuuj naukę!

• Zastosowanie wiedzy z kursu w rzeczywistym projekcie
• Zapewnianie reprodukowalności, skalowalności, niezawodności oraz monitorowanie dryfu danych
• Konfigurowanie frameworku eksperymentów do testów A/B modelu
• Regularne ponowne trenowanie i aktualizowanie modelu
• Śledzenie nowych osiągnięć w dziedzinie uczenia maszynowego
• Ciągłe doskonalenie umiejętności i wiedzy specjalistycznej

Do dzieła!

Tworzenie modeli uczenia maszynowego na potrzeby produkcji