Componente arhitecturale în framework-uri ML end-to-end

Machine Learning End-to-End

Joshua Stapleton

Machine Learning Engineer

Feature stores

Caracteristici

  • Selecția caracteristicilor
  • Ingineria caracteristicilor

Feature store

  • Depozit central pentru caracteristici
  • Asigură consistența, reduce duplicarea
  • Permite partajarea și descoperirea
  • Standardizează transformările și calculele

Imaginea ciclului de viață ML cu feature store adăugat

Machine Learning End-to-End

Feast

Feast

  • Instrument popular pentru implementarea feature stores
  • Oferă management, stocare, servire și descoperire unificate pentru caracteristici ML

Principii

  • Definirea și înregistrarea caracteristicilor cu seturi de caracteristici
  • Seturi de caracteristici: grupare de caracteristici înrudite + metadate

Exemplu: caracteristici boli cardiace

  • Entitatea pacient
  • Caracteristici asociate (colesterol, vârstă, sex)
Machine Learning End-to-End

Feast feature stores - partea 1

from feast import Field, Entity, ValueType, FeatureStore
from feast.data_source import FileSource


# Define the entity, which in this case is a patient, and features
patient = Entity(name="patient", join_keys=["patient_id"])

chol = Field(name="chol", dtype=Float32)
age = Field(name="age", dtype=Int32)
...

# Define the data source
data_source = FileSource(
    path="/path_to_heart_disease_dataset.csv",
    event_timestamp_column="event_timestamp",
    created_timestamp_column="created")
Machine Learning End-to-End

Feast feature stores - partea 2

# ... continued
# Create a feature view of the data
heart_disease_fv = FeatureView(name="heart_disease", entities=[patient],
    schema=[cholesterol, ...], ttl=timedelta(days=1), input=data_source,)


# Create a FeatureStore object
store = FeatureStore(repo_path=".")


# Register the FeatureView
store.apply([patient, heart_disease_fv])
Machine Learning End-to-End

Registre de modele

Registru de modele

  • Sisteme de control al versiunilor
  • Urmărirea diferitelor versiuni ale modelului
  • Adnotarea modelelor
  • Monitorizarea performanței în timp

Beneficii

  • Organizare
  • Transparență
  • Reproductibilitate

Imaginea ciclului de viață ML cu registrul de modele adăugat

Machine Learning End-to-End

Să exersăm!

Machine Learning End-to-End

Preparing Video For Download...