Implementarea unui model în Databricks

Concepte Databricks

Kevin Barlow

Data Practitioner

Ciclul de viață al machine learning

Ciclul de viață al machine learning

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

Implementarea și operarea modelelor

Ciclul de viață al machine learning

Concepte Databricks

Aspecte privind implementarea modelelor

Disponibilitate

  • Cum vor utiliza modelul utilizatorii finali sau aplicația?
  • Unde trebuie să plasez modelul pentru a-l accesa?
  • Va fi modelul ușor de înțeles și utilizat?

Utilizarea unui model ML

Evaluare

  • Utilizatorii chiar folosesc modelul?
  • Modelul mai performează bine?
  • Este necesară reantrenarea modelului?
  • Este necesar un model nou, mai performant?

Evaluarea unui model ML

Concepte Databricks

Procesul de implementare a modelului

Procesul de implementare a modelului

Concepte Databricks

Variante de model

  • MLFlow Models poate stoca un model din orice framework de machine learning
  • Modelele sunt stocate împreună cu configurații și artefacte
  • Modelele pot fi „convertite" în alt tip de model, în funcție de nevoi. De exemplu:
    • scikit-learn
    • pyfunc
    • spark
    • tensorflow

MLFlow Models

Concepte Databricks

Registrul de modele

Registrul de modele Databricks

Concepte Databricks

Registrul de modele

Registrul de modele - Modele înregistrate

Concepte Databricks

Registrul de modele

Registrul de modele - Versiuni de model

Concepte Databricks

Registrul de modele

Registrul de modele - Etapele modelului

Concepte Databricks

Servirea modelelor

Servirea modelelor Databricks

Concepte Databricks

Servirea modelelor

Servirea modelelor - Cluster

Concepte Databricks

Servirea modelelor

Servirea modelelor - Selectarea modelului

Concepte Databricks

Servirea modelelor

Metrici de servire a modelelor

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

Să exersăm!

Concepte Databricks

Preparing Video For Download...