ยินดีด้วย!

การพัฒนาโมเดล Machine Learning สำหรับ Production

Sinan Ozdemir

Data Scientist, Entrepreneur, and Author

จากการทดลองสู่ production

• ระบุว่าการทดลอง ML แบบใดพร้อมนำไปใช้ในสภาพแวดล้อม production
• รู้จักสาเหตุของ technical debt

• เขียนเอกสารที่มีประสิทธิภาพและโค้ดที่ดูแลรักษาได้
• เอกสารที่ดีและโค้ดที่บำรุงรักษาได้ช่วยลด technical debt

สร้างความสามารถในการทำซ้ำผลได้

• สร้างความสามารถในการทำซ้ำผลได้ใน machine learning
• ทำ feature engineering เพื่อเพิ่มประสิทธิภาพ pipeline

• ออกแบบการทดลองที่ทำซ้ำผลได้
• จัดการเวอร์ชันของข้อมูลและโมเดลเพื่อติดตามการเปลี่ยนแปลง

การ deploy โมเดล ML

• แพ็กเกจโมเดล ML และ environment สำหรับ deploy บน framework ต่างๆ
• รับประกันความสามารถในการ scale โมเดล ML เพื่อรองรับงานขนาดใหญ่

• หลักการ MLOps 4 ข้อ: Continuous Integration, Continuous Delivery, Continuous Training และ Continuous Monitoring

ทดสอบและประเมินผล

• ประเภทของการทดสอบ ได้แก่ unit tests, integration tests และ smoke tests

• ประเมินความน่าเชื่อถือของโมเดลเพื่อให้แน่ใจว่าได้ผลลัพธ์ที่แม่นยำ
• ทดสอบโมเดลเพื่อหาปัญหาที่อาจเกิดขึ้นและพัฒนาประสิทธิภาพ

ก้าวต่อไป!

• นำความรู้จากคอร์สนี้ไปประยุกต์ใช้กับโปรเจกต์จริง
• สร้างความสามารถในการทำซ้ำผลได้ ความสามารถ scale ความน่าเชื่อถือ และติดตาม data drift
• ตั้งค่า framework การทดลองสำหรับ A/B testing โมเดล
• ฝึกและอัปเดตโมเดลอย่างสม่ำเสมอเพื่อให้ยังคงแม่นยำและตรงประเด็น
• ติดตามความก้าวหน้าและพัฒนาการใหม่ๆ ในสาย machine learning
• พัฒนาทักษะและความเชี่ยวชาญของตัวเองต่อไป

มาเริ่มกันเลย!

การพัฒนาโมเดล Machine Learning สำหรับ Production