Grattis!

Att utveckla maskininlärningsmodeller för produktion

Sinan Ozdemir

Data Scientist, Entrepreneur, and Author

Från experiment till produktion

• Identifiera vad som krävs för att ett ML-experiment ska vara redo för produktion
• Känna igen orsakerna till teknisk skuld

• Skriva effektiv dokumentation och underhållbar kod
• Effektiv dokumentation och underhållbar kod minskar den tekniska skulden

Säkerställ reproducerbarhet

• Säkerställa reproducerbarhet inom maskininlärning
• Utföra särdragsframtagning för att optimera ML-pipelinens prestanda

• Designa reproducerbara experiment
• Implementera versions­hantering av data och modeller för att spåra förändringar

Driftsätta ML-modeller

• Paketera ML-modeller och miljöer för driftsättning i olika ramverk
• Säkerställa skalbarhet hos maskininlärningsmodeller för större arbetsbelastningar

• Fyra MLOps-principer: Continuous Integration, Continuous Delivery, Continuous Training och Continuous Monitoring

Testa och utvärdera

• Olika typer av testrutiner – enhetstester, integrationstester och röktester

• Utvärdera modellens tillförlitlighet för att säkerställa korrekta resultat
• Testa modeller för att identifiera potentiella problem och förbättra prestandan

Fortsätt framåt!

• Tillämpa det du lärt dig i kursen på ett verkligt projekt
• Säkerställa reproducerbarhet, skalbarhet och tillförlitlighet samt övervaka datadrift
• Sätt upp ett experimentramverk för A/B-testning av din modell
• Träna om och uppdatera modellen regelbundet så att den förblir relevant och korrekt
• Fortsätt lära dig och utforska nya framsteg inom maskininlärning
• Fortsätt att utveckla dina kunskaper och din kompetens

Nu kör vi en övning!

Att utveckla maskininlärningsmodeller för produktion