Composants d'architecture dans les cadres Machine Learning de bout en bout

Apprentissage Machine de bout en bout

Joshua Stapleton

Machine Learning Engineer

Magasins de caractéristiques

Caractéristiques (features)

Sélection de caractéristiques
Ingénierie des caractéristiques

Magasin de caractéristiques (feature store)

Dépôt central de caractéristiques
Assure la cohérence, réduit la duplication
Permet le partage et la découverte
Normalise les transformations et calculs de caractéristiques

Image du cycle de vie du Machine Learning avec magasin de caractéristiques ajouté

Feast

Outil populaire pour implanter des magasins de caractéristiques
Offre une gestion unifiée : stockage, diffusion et découverte des caractéristiques ML

Principes

Définir et enregistrer des caractéristiques avec des ensembles de caractéristiques
Ensembles de caractéristiques : groupement de caractéristiques liées + métadonnées

Exemple : caractéristiques pour maladies cardiaques

Entité « patient »
Caractéristiques associées (cholestérol, âge, sexe)

Magasins de caractéristiques Feast, partie 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")

Magasins de caractéristiques Feast, partie 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])

Registres de modèles

Registre de modèles

Systèmes de contrôle de version
Suivre les différentes versions d'un modèle
Annoter les modèles
Suivre la performance dans le temps

Avantages

Organisation
Transparence
Reproductibilité

Image du cycle de vie du Machine Learning avec registre de modèles ajouté

Passons à la pratique !

Apprentissage Machine de bout en bout