Modellstyrning

MLOps-driftsättning och livscykelhantering

Nemanja Radojkovic

Senior Machine Learning Engineer

ai-rubriker

MLOps-driftsättning och livscykelhantering

kreditrisk

MLOps-driftsättning och livscykelhantering

underskattning

MLOps-driftsättning och livscykelhantering

konkurs

MLOps-driftsättning och livscykelhantering

beslutskostnad 1

MLOps-driftsättning och livscykelhantering

beslutskostnad 2

MLOps-driftsättning och livscykelhantering

Styrning

Styrning av AI/ML-modeller är den övergripande processen för hur en organisation kontrollerar åtkomst, implementerar policy och spårar aktivitet för modeller och deras resultat.

Effektiv modellstyrning är grunden för att minimera risker – både för organisationens ekonomi och för dess varumärke.

~ DataRobot.com

MLOps-driftsättning och livscykelhantering

styrningsfaser

MLOps-driftsättning och livscykelhantering

design

MLOps-driftsättning och livscykelhantering

styrning under utveckling

MLOps-driftsättning och livscykelhantering

styrning i drift

MLOps-driftsättning och livscykelhantering

proportionell till risk

MLOps-driftsättning och livscykelhantering

användningsfallsbaserad risk

MLOps-driftsättning och livscykelhantering

Riskkategorier

MLOps-driftsättning och livscykelhantering

Sammanfattning

  • Styrning innebär extra steg, men alternativet är anarki.
  • "Att lansera många modeller snabbt" är inte målet – det är att skapa affärsvärde.
  • Ansvarslös ML --> mer skada än nytta.
  • Ju fler modeller, desto tydligare blir nyttan med styrning.
MLOps-driftsättning och livscykelhantering

Nu kör vi en övning!

MLOps-driftsättning och livscykelhantering

Preparing Video For Download...