Otomasyon, izleme, olay müdahalesi deseni

Tam Otomatik MLOps

Arturo Opsetmoen Amador

Senior Consultant - Machine Learning

Yazılım tasarım deseni nedir?

$$

Sık görülen bir probleme genel, tekrar kullanılabilir bir çözüm...

$$

$$

Otomatikleştir, izle, müdahale et

$$

$$

• Tasarladığımız ML sistemlerinin güvenilirliğini artırır

MLOps'ta bir tasarım desenine üç örnek

$$

1. Otomatik Model Yeniden Eğitimi
2. Model Geri Alma (Rollback)
3. Özellik (Feature) Atama/İmputasyon

$$

1. Otomatik model yeniden eğitimi

1. Otomatik model yeniden eğitimi - Tahmin çalıştırma

1. Otomatik model yeniden eğitimi - İzleme

1. Otomatik model yeniden eğitimi - Tetikleyici

1. Otomatik model yeniden eğitimi - Otomatik işlem hattı

1. Otomatik model yeniden eğitimi - Dağıtım

2. Model geri alma (rollback)

2. Model geri alma - Doğrulama başarısız

2. Model geri alma - Son çalışan model

2. Model geri alma - Yeniden dağıtım

3. Özellik imputasyonu - Veri yoğun işlem hattı

3. Özellik imputasyonu - Veri kalitesi

$$

$$

• Değişen veri kalitesi düzeyleri
• Bazı özellikler QA eşiğinin altına düşebilir

3. Özellik imputasyonu - Kusurlu özellikler

$$

$$

• Hatalı özellikleri tespit et
• Özellik imputasyonu uygula

3. Özellik imputasyonu - Olası çözümler

• Sayısal Değerler

  $$

  • Ortalama/Medyan İmputasyonu

  • KNN İmputasyonu

$$

• Kategorik Değerler

  $$

• Sık Görülen Kategori İmputasyonu

• "Missing" diye bir kategori ekleme

Hadi pratik yapalım!

Tam Otomatik MLOps