Підтримка моделей

Розгортання та життєвий цикл MLOps

Nemanja Radojkovic

Senior Machine Learning Engineer

Раніше…

Фокус цього уроку: відмова ML‑моделі

модель погіршилась

поліпшити модель

поліпшити набір даних

орієнтація на модель

орієнтація на дані

¹ https://datacentricai.org/

Мітка == значення цільової змінної в тренувальному наборі

Якість мітки == наближеність мітки до еталонної істини

погані мітки

поганий прогноз

Ручне маркування складне, тривале й помилкове

Користуйтеся якісними інструментами маркування!

інструмент маркування

Приклад: інструмент маркування зображень для створення класифікаторів

людина в циклі

HIL 2

вклад експерта

Запустіть конвеєр складання ML => нова модель
Перевірте, чи нова модель краща за попередню
- ТАК => тестуйте й розгортайте
- НІ => продовжуйте пошук

Дуже корисно: сховище метаданих (MLflow Tracking тощо)

У будь‑якому разі: MLOps допомагає підтримувати модель якнайшвидше й найефективніше

Розгортання та життєвий цикл MLOps