Experimentspårning

MLOps-koncept

Folkert Stijnman

ML Engineer

Maskininlärningsexperimentet

ingredienser i ett maskininlärningsexperiment

MLOps-koncept

Varför är experimentspårning viktigt?

I varje experiment kan följande faktorer konfigureras:

maskininlärningskonfigurationer

MLOps-koncept

Experimentspårning i ML-livscykeln

Experimentspårning kan hjälpa till att:

  • Jämföra resultat
  • Reproducera tidigare experiment
  • Samarbeta med utvecklare och intressenter
  • Rapportera resultat till intressenter
MLOps-koncept

Hur spårar man experiment?

Verktyg Fördel Nackdel
Kalkylblad Enkelt och lättanvänt Kräver mycket manuellt arbete
Egenutvecklad plattform Anpassad lösning för den egna processen Kräver tid och arbete
Experimentspårningsverktyg Specifikt utformat för experiment Kräver att man lär känna verktyget

 

MLOps-koncept

Ett maskininlärningsexperiment

Exempel på maskininlärningsexperiment

MLOps-koncept

Experimentprocessen

  1. Formulera en hypotes: "Vi förväntar oss att..."
  2. Samla in bilder och etiketter
  3. Definiera experiment, t.ex. modelltyper, hyperparametrar och datamängder
  4. Konfigurera experimentspårning
  5. Träna maskininlärningsmodellen/modellerna
  6. Testa modellerna på ett separat testset
  7. Registrera den mest lämpliga modellen
  8. Visualisera och rapportera till team och intressenter, och bestäm nästa steg

träning och testning av maskininlärningsmodell

MLOps-koncept

Nu kör vi en övning!

MLOps-koncept

Preparing Video For Download...