Розгортання моделі в Databricks

Концепції Databricks

Kevin Barlow

Data Practitioner

Життєвий цикл машинного навчання

Життєвий цикл машинного навчання

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

Розгортання та експлуатація моделей

Життєвий цикл машинного навчання

Концепції Databricks

Питання під час розгортання моделей

Доступність

  • Як мої кінцеві користувачі або застосунок використовуватимуть модель?
  • Де потрібно розмістити модель, щоб мати доступ?
  • Чи буде модель зрозумілою та зручною?

Використання моделі ML

Оцінювання

  • Чи справді користувачі використовують мою модель?
  • Чи модель досі працює добре?
  • Чи потрібно перевчити модель?
  • Чи потрібна нова, краща модель?

Оцінювання моделі ML

Концепції Databricks

Процес розгортання моделі

Процес розгортання моделі

Концепції Databricks

Смаки моделей

  • MLFlow Models може зберігати модель з будь-якого фреймворку машинного навчання
  • Моделі зберігаються разом із різними конфігураціями та артефактами
  • Моделі можна «перекладати» в інший тип залежно від потреб. Наприклад:
    • scikit-learn
    • pyfunc
    • spark
    • tensorflow

MLFlow Models

Концепції Databricks

Реєстр моделей

Реєстр моделей Databricks

Концепції Databricks

Реєстр моделей

Реєстр моделей — Зареєстровані моделі

Концепції Databricks

Реєстр моделей

Реєстр моделей — Версії моделей

Концепції Databricks

Реєстр моделей

Реєстр моделей — Етап моделі

Концепції Databricks

Model Serving

Databricks Model Serving

Концепції Databricks

Model Serving

Model Serving — Кластер

Концепції Databricks

Model Serving

Model Serving — Вибір моделі

Концепції Databricks

Model Serving

Показники Model Serving

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

Давайте потренуємось!

Концепції Databricks

Preparing Video For Download...