Strategier för modelldriftsättning

MLOps-driftsättning och livscykelhantering

Nemanja Radojkovic

Senior Machine Learning Engineer

Driftsättningen lyckades!

  • ML-appen körs
  • API:et hanterar tusentals förfrågningar/timme
  • En månad senare:
    • Nya, bättre särdrag hittades
    • Ny batch träningsdata insamlad
    • Modellbyggningspipelinen kördes
    • Nytt modellpaket skapades
MLOps-driftsättning och livscykelhantering

byte av modell

MLOps-driftsättning och livscykelhantering

offlineprediktering

MLOps-driftsättning och livscykelhantering

underhållsfönster

MLOps-driftsättning och livscykelhantering

driftstopp i realtid

MLOps-driftsättning och livscykelhantering

kostsamt driftstopp

MLOps-driftsättning och livscykelhantering

blå-grön konfiguration

MLOps-driftsättning och livscykelhantering

knapptryckning

MLOps-driftsättning och livscykelhantering

blå-grön terminologi

MLOps-driftsättning och livscykelhantering

fördelar nackdelar

MLOps-driftsättning och livscykelhantering

återställning

MLOps-driftsättning och livscykelhantering

kanariedriftsättning

MLOps-driftsättning och livscykelhantering

uppdelning av förfrågningar

MLOps-driftsättning och livscykelhantering

steg två

MLOps-driftsättning och livscykelhantering

slutresultat

MLOps-driftsättning och livscykelhantering

MLOps-driftsättning och livscykelhantering

validering

MLOps-driftsättning och livscykelhantering

nackdel

MLOps-driftsättning och livscykelhantering

riskhantering

MLOps-driftsättning och livscykelhantering

Nu kör vi en övning!

MLOps-driftsättning och livscykelhantering

Preparing Video For Download...