การ Deploy โมเดลใน Databricks

แนวคิด Databricks

Kevin Barlow

Data Practitioner

วงจรชีวิต Machine Learning

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

การ Deploy และดูแลโมเดล

ข้อควรพิจารณาในการ Deploy โมเดล

ความพร้อมใช้งาน

• ผู้ใช้หรือแอปพลิเคชันจะเรียกใช้โมเดลอย่างไร?
• ต้องนำโมเดลไปไว้ที่ไหนจึงจะเข้าถึงได้?
• โมเดลใช้งานและเข้าใจได้ง่ายพอหรือไม่?

การประเมินผล

• ผู้ใช้ใช้งานโมเดล จริงๆ หรือไม่?
• โมเดลยังทำงานได้ดีอยู่ไหม?
• จำเป็นต้อง Retrain โมเดลหรือไม่?
• ควรสร้างโมเดลใหม่ที่ดีกว่าหรือไม่?

กระบวนการ Deploy โมเดล

Model Flavors

• MLFlow Models รองรับโมเดลจาก Machine Learning Framework ใดก็ได้
• โมเดลถูกจัดเก็บพร้อมกับการตั้งค่าและ Artifact ต่างๆ
• โมเดลสามารถ "แปลง" เป็นรูปแบบอื่นตามความต้องการ เช่น:
  • scikit-learn
  • pyfunc
  • spark
  • tensorflow

Model Registry

Model Registry

Model Registry

Model Registry

Model Serving

Model Serving

Model Serving

Model Serving

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

มาฝึกกันเถอะ!

แนวคิด Databricks