การบำรุงรักษาโมเดล

MLOps Deployment and Life Cycling

Nemanja Radojkovic

Senior Machine Learning Engineer

ที่ผ่านมา...

บทเรียนนี้เน้น: ความล้มเหลวของโมเดล ML

โมเดลเสื่อมประสิทธิภาพ

ปรับปรุงโมเดล

ปรับปรุงชุดข้อมูล

เน้นโมเดลเป็นศูนย์กลาง

เน้นข้อมูลเป็นศูนย์กลาง

¹ https://datacentricai.org/

Label == ค่าตัวแปร target ในชุดข้อมูลฝึก

คุณภาพ label == ความใกล้เคียงของ label กับค่าจริง

label ที่ไม่ดี

การทำนายที่ไม่ดี

การติด label ด้วยตนเองนั้นซับซ้อน ใช้เวลานาน และเกิดข้อผิดพลาดได้ง่าย

ใช้เครื่องมือ labeling ที่ดี!

เครื่องมือ labeling

ตัวอย่าง: เครื่องมือติด label รูปภาพ สำหรับสร้าง image classifier

Human-in-the-Loop

HIL 2

ข้อมูลจากผู้เชี่ยวชาญ

รัน ML build pipeline => โมเดลใหม่
ตรวจสอบว่าโมเดลใหม่ดีกว่าโมเดลเดิมหรือไม่
- ใช่ => ทดสอบและ deploy
- ไม่ใช่ => ค้นหาต่อไป

มีประโยชน์มาก: Metadata store (MLFlow Tracking ฯลฯ)

ไม่ว่ากรณีใด: MLOps ช่วยให้บำรุงรักษาโมเดลได้รวดเร็วและมีประสิทธิภาพสูงสุด

MLOps Deployment and Life Cycling