Driftsättning av en modell i Databricks

Databricks – grundläggande koncept

Kevin Barlow

Data Practitioner

Maskininlärningens livscykel

Maskininlärningens livscykel

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

Modelldriftsättning och drift

Maskininlärningens livscykel

Utmaningar vid modelldriftsättning

Tillgänglighet

Hur ska mina slutanvändare eller mitt program använda modellen?
Var behöver jag placera modellen för att komma åt den?
Är modellen enkel att förstå och använda?

Användning av en maskininlärningsmodell

Utvärdering

Använder mina användare verkligen modellen?
Presterar modellen fortfarande bra?
Behöver jag träna om modellen?
Behöver jag en ny och bättre modell?

Utvärdering av en maskininlärningsmodell

Modelldriftsättningsprocess

Modelldriftsättningsprocess

Modellvarianter

MLFlow Models kan lagra en modell från vilket maskininlärningsramverk som helst
Modeller lagras tillsammans med olika konfigurationer och artefakter
Modeller kan "konverteras" till en annan typ av modell efter behov. Till exempel:
- scikit-learn
- pyfunc
- spark
- tensorflow

MLFlow Models

Modellregister

Databricks modellregister

Modellregister

Modellregister – registrerade modeller

Modellregister

Modellregister – modellversioner

Modellregister

Modellregister – modellstadie

Modelltjänst

Databricks modelltjänst

Modelltjänst

Modelltjänst – kluster

Modelltjänst

Modelltjänst – modellval

Modelltjänst

Modelltjänstmätvärden

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

Nu kör vi en övning!

Databricks – grundläggande koncept

Preparing Video For Download...