Att anta ett MLOps-tänkesätt

Att utveckla maskininlärningsmodeller för produktion

Sinan Ozdemir

Data Scientist, Entrepreneur, and Author

MLOps

  • Automatiserar och effektiviserar ML-arbetsflödet från experiment till produktion
  • Säkerställer att ML-experiment är ordentligt testade och redo att driftsättas och skalas

mlops

Att utveckla maskininlärningsmodeller för produktion

ML-experiment

ML-experiment innebär att testa modeller och avgöra vilken som är bäst

  • MLOps inkluderar modellexperiment
  • Utvärdering av modeller på olika datamängder
  • Noggrann modellselektion är avgörande
  • Selektionsprocessen kan vara tidskrävande
  • Säkerställer projektets framgång
Att utveckla maskininlärningsmodeller för produktion

Från experiment till produktion

forest

Vad krävs för att ett ML-experiment ska vara produktionsklart?

  • Testat och validerat med lämpliga mätvärden
  • Korrekt dokumentation
  • Övervakning finns på plats
  • Produktionsmiljön är säker och skalbar
Att utveckla maskininlärningsmodeller för produktion

Varför de flesta ML-experiment misslyckas

Det finns många anledningar till att detta kan ske:

  • Otydliga mål och syften
  • Bristande datakvalitet
  • Komplexa modellarkitekturer
  • Otillräckliga träningsdata
  • Överanpassning eller underanpassning
Att utveckla maskininlärningsmodeller för produktion

Teknisk skuld

Kod skriven i hast utan ordentlig testning eller validering, eller saknad, ofullständig eller inaktuell dokumentation

  • Kostsamma fel kan uppstå om detta inte åtgärdas tidigt.
  • Undvik teknisk skuld genom att skriva korrekt kod och dokumentation från start.

good_kitty

Att utveckla maskininlärningsmodeller för produktion

Nu kör vi en övning!

Att utveckla maskininlärningsmodeller för produktion

Preparing Video For Download...