Varför du behöver övervaka din modell

Övervakning av maskininlärningskoncept

Hakim Elakhrass

Co-founder and CEO of NannyML

Maskininlärning i produktion

Typisk utvecklingsprocess

Pilflödet består av fyra delar: definiera projektet, förbereda data, träna modellen och driftsätta den.

Efter driftsättning

En uppdaterad version av datavetenskapens utvecklingsflöde, med ett nytt steg för övervakning efter driftsättningsfasen. Pilar kopplar övervakningssteget till tidigare steg: förbereda data, träna modellen och driftsätta den – vilket möjliggör iterativa förbättringar baserade på insikter från modellövervakningen.

Minska risken för fel

Zillows fall

En till salu-skylt framför ett hus.

Orsaker till att en modell misslyckas:

Programvaruproblem
Drift i indata
Förändrade samband mellan särdrag och målvariabler

Maximera affärsnytta

Optimera modellen i förhållande till affärsmål

Minska molnkostnader

Bilden visar en pyramid av sex träklossar där varje kloss representerar en bokstav i KPI. De övre lagren symboliserar tillväxt, måluppfyllelse och ökad effektivitet.