การนำโมเดลออกใช้งาน

Machine Learning แบบ End-to-End

Joshua Stapleton

Machine Learning Engineer

โมเดลในรูปแบบบริการ

  • ผู้มีส่วนได้ส่วนเสีย / ผู้ใช้เข้าถึงโมเดลผ่านอินเทอร์เน็ต

  • เผยแพร่โมเดลผ่านพอร์ทัล

    • ผู้ใช้ส่งคำถาม / ข้อมูล
    • รับผลการวินิจฉัย / การพยากรณ์

  • ข้อกังวล:

    • คลินิกในพื้นที่ห่างไกล / ไม่มีอินเทอร์เน็ต
    • สภาพแวดล้อมที่ต้องการความปลอดภัยสูง / ข้อมูลละเอียดอ่อน

สัญลักษณ์พอร์ทัลแสดงโมเดลในรูปแบบบริการ

Machine Learning แบบ End-to-End

การให้บริการบนอุปกรณ์

สถาปัตยกรรมการให้บริการแบบบูรณาการ

  • Edge-computing
  • เหมาะสำหรับกรณีที่อินเทอร์เน็ตไม่เสถียร

ไอคอนเฟืองในหัวแสดงการประมวลผลบนอุปกรณ์

Machine Learning แบบ End-to-End

ข้อดีและข้อเสียของการให้บริการบนอุปกรณ์

ข้อดี:

  • Latency ต่ำ
  • ความปลอดภัย
  • รองรับพื้นที่ห่างไกล / ไม่มีการเชื่อมต่อ

ข้อเสีย:

  • ข้อจำกัดด้านทรัพยากร
  • การอัปเดตโมเดล
  • การติดตามและตรวจสอบ
Machine Learning แบบ End-to-End

กลยุทธ์การนำไปใช้งาน

  • การตัดแต่งโมเดล (Pruning)
  • Transfer Learning
  • ใช้เฟรมเวิร์กเฉพาะทาง

ไอคอนแสดงกลยุทธ์การดำเนินงาน

Machine Learning แบบ End-to-End

มาฝึกกันเถอะ!

Machine Learning แบบ End-to-End

Preparing Video For Download...