การติดตามการทดลอง

แนวคิด MLOps

Folkert Stijnman

ML Engineer

การทดลอง machine learning

ส่วนประกอบของการทดลอง machine learning

แนวคิด MLOps

ทำไมการติดตามการทดลองจึงสำคัญ?

ในแต่ละการทดลอง สามารถกำหนดค่าปัจจัยต่อไปนี้ได้:

การกำหนดค่า machine learning

แนวคิด MLOps

การใช้การติดตามการทดลองใน ML lifecycle

การติดตามการทดลองช่วยให้:

  • เปรียบเทียบผลลัพธ์
  • ทำซ้ำการทดลองในอดีตได้
  • ทำงานร่วมกับนักพัฒนาและผู้มีส่วนได้ส่วนเสีย
  • รายงานผลลัพธ์ต่อผู้มีส่วนได้ส่วนเสีย
แนวคิด MLOps

จะติดตามการทดลองอย่างไร?

เครื่องมือ ข้อดี ข้อเสีย
สเปรดชีต เข้าใจง่าย ใช้งานได้ทันที ต้องทำด้วยมือมาก
แพลตฟอร์มเฉพาะองค์กร ออกแบบเฉพาะสำหรับกระบวนการของเรา ใช้เวลาและความพยายามสูง
เครื่องมือติดตามการทดลอง ออกแบบมาเพื่อการทดลองโดยเฉพาะ ต้องใช้เวลาทำความคุ้นเคย

 

แนวคิด MLOps

การทดลอง machine learning

ตัวอย่างการทดลอง machine learning

แนวคิด MLOps

กระบวนการทดลอง

  1. ตั้งสมมติฐาน: "เราคาดว่า..."
  2. รวบรวมภาพและป้ายกำกับ
  3. กำหนดการทดลอง เช่น ประเภทของโมเดล ไฮเปอร์พารามิเตอร์ ชุดข้อมูล
  4. ตั้งค่าการติดตามการทดลอง
  5. ฝึกโมเดล machine learning
  6. ทดสอบโมเดลบนชุดข้อมูลทดสอบที่แยกไว้
  7. ลงทะเบียนโมเดลที่เหมาะสมที่สุด
  8. แสดงผลและรายงานกลับทีมและผู้มีส่วนได้ส่วนเสีย พร้อมกำหนดขั้นตอนถัดไป

การฝึกและทดสอบโมเดล machine learning

แนวคิด MLOps

มาฝึกกันเถอะ!

แนวคิด MLOps

Preparing Video For Download...