Arkitekturkomponenter i heltäckande ramverk för maskininlärning

End-to-End Machine Learning

Joshua Stapleton

Machine Learning Engineer

Särdragslager

Särdrag

Särdragsurval
Särdragskonstruktion

Särdragslager

Centralt lager för särdrag
Säkerställer konsekvens, minskar duplicering
Möjliggör delning och sökning
Standardiserar transformationer och beräkningar av särdrag

Bild på maskininlärningens livscykel med särdragslager tillagt

Feast

Populärt verktyg för att implementera särdragslager
Ger enhetlig hantering, lagring, servering och sökning av ML-särdrag

Principer

Definiera och registrera särdrag med särdragsuppsättningar
Särdragsuppsättningar: gruppering av relaterade särdrag + metadata

Exempel: särdrag för hjärtsjukdom

Patient-entitet
Tillhörande särdrag (kolesterol, ålder, kön)

Feast särdragslager del 1

from feast import Field, Entity, ValueType, FeatureStore
from feast.data_source import FileSource


# Define the entity, which in this case is a patient, and features
patient = Entity(name="patient", join_keys=["patient_id"])

chol = Field(name="chol", dtype=Float32)
age = Field(name="age", dtype=Int32)
...

# Define the data source
data_source = FileSource(
    path="/path_to_heart_disease_dataset.csv",
    event_timestamp_column="event_timestamp",
    created_timestamp_column="created")

Feast särdragslager del 2

# ... continued
# Create a feature view of the data
heart_disease_fv = FeatureView(name="heart_disease", entities=[patient],
    schema=[cholesterol, ...], ttl=timedelta(days=1), input=data_source,)


# Create a FeatureStore object
store = FeatureStore(repo_path=".")


# Register the FeatureView
store.apply([patient, heart_disease_fv])

Modellregister

Modellregister

Versionshanteringssystem
Håller reda på olika versioner av modellen
Annoterar modeller
Spårar prestanda över tid

Fördelar

Organisation
Transparens
Reproducerbarhet

Bild på maskininlärningens livscykel med modellregister tillagt

Nu kör vi en övning!

End-to-End Machine Learning