ส่วนประกอบทางสถาปัตยกรรมใน end-to-end machine learning frameworks

Machine Learning แบบ End-to-End

Joshua Stapleton

Machine Learning Engineer

Feature stores

Features

การคัดเลือก feature
Feature engineering

Feature store

คลังกลางสำหรับเก็บ features
รับประกันความสอดคล้อง ลดความซ้ำซ้อน
รองรับการแชร์และค้นหา feature
สร้างมาตรฐานการแปลงและคำนวณ feature

ภาพวงจร machine learning ที่เพิ่ม feature store เข้ามา

Feast

เครื่องมือยอดนิยมสำหรับสร้าง feature store
จัดการ จัดเก็บ เสิร์ฟ และค้นหา ML features แบบครบวงจร

หลักการ

กำหนดและลงทะเบียน feature ด้วย feature set
Feature set: การจัดกลุ่ม feature ที่เกี่ยวข้องพร้อม metadata

ตัวอย่าง: features โรคหัวใจ

Entity ผู้ป่วย
Features ที่เกี่ยวข้อง (คอเลสเตอรอล, อายุ, เพศ)

Feast feature stores ส่วนที่ 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 feature stores ส่วนที่ 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])

Model registries

Model registry

ระบบควบคุมเวอร์ชัน
ติดตามเวอร์ชันต่าง ๆ ของโมเดล
เพิ่มคำอธิบายโมเดล
ติดตามประสิทธิภาพตามเวลา

ประโยชน์

การจัดระเบียบ
ความโปร่งใส
การทำซ้ำได้

ภาพวงจร machine learning ที่เพิ่ม model registry เข้ามา

มาฝึกกันเถอะ!

Machine Learning แบบ End-to-End