Skriva underhållbar ML-kod

Att utveckla maskininlärningsmodeller för produktion

Sinan Ozdemir

Data Scientist, Entrepreneur, and Author

Projektstruktur

  • Organisera projektfiler i en logisk struktur
  • Gruppera relaterade filer
    • Organisera datamängder och ML-modeller i separata mappar
  • Se till att filer är korrekt namngivna och märkta

struktur

Att utveckla maskininlärningsmodeller för produktion

Exempelprojektstruktur

Exempelprojektkatalog med en README-fil, kravfil och tre undermappar: data, models, notebooks mlops_directory

  • README.md: Beskriver syftet med repositoryt och hur det används.
  • requirements.txt: Listar alla beroenden
  • data: innehåller datafiler, inklusive rådata och bearbetad data
  • models: innehåller alla modellfiler, inklusive skript för att skapa modeller.
  • notebooks: innehåller notebooks för datautforskning, modellträning och modellutvärdering.
Att utveckla maskininlärningsmodeller för produktion

Kodversionshantering

  • Använd ett versionskontrollsystem som git för att spåra ändringar i koden
  • Möjliggör återställning av ändringar vid behov
  • Hjälper till att identifiera källan till buggar och fel
  • Möjliggör parallellt arbete

kod

Att utveckla maskininlärningsmodeller för produktion

Dokumentation

  • Dokumentera kod och projektstruktur
  • Förklara syftet med varje fil och funktion
  • Beskriv hur koden används
  • Inkludera instruktioner för hur ML-modellen driftsätts

dok

Att utveckla maskininlärningsmodeller för produktion

Kodens anpassningsbarhet

  • Lättare att förstå, modifiera och uppdatera
  • Minskar tid och arbete vid ändringar i kodbasen
  • Anpassas enklare till ändringar i data, kod och krav
  • Mindre benägen för buggar
  • Lättare att integrera nya funktioner eller tekniker vid behov
  • Nödvändigt för att bygga ML-applikationer som kan utvecklas över tid
Att utveckla maskininlärningsmodeller för produktion

Nu kör vi en övning!

Att utveckla maskininlärningsmodeller för produktion

Preparing Video For Download...