恭喜你！

Developing Machine Learning Models for Production

Sinan Ozdemir

Data Scientist, Entrepreneur, and Author

從實驗到生產

  • 判斷 ML 實驗何時可進入生產環境
  • 辨識技術負債的成因

Image: 一個資料夾內有文件與電腦上的程式碼檔案

  • 撰寫有效文件與可維護的程式碼
  • 良好文件與可維護程式碼可降低技術負債
Developing Machine Learning Models for Production

確保可重現性

  • 確保機器學習可重現性
  • 進行特徵工程以最佳化 ML pipeline 效能

fe book

  • 設計可重現的實驗
  • 實作資料與模型版本控管以追蹤變更
Developing Machine Learning Models for Production

部署 ML 模型

  • 將 ML 模型與環境封裝，以部署到不同框架
  • 確保模型可擴充，能處理更大工作量

docker

  • 四大 MLOps 原則：Continuous Integration、Continuous Delivery、Continuous Training、Continuous Monitoring
Developing Machine Learning Models for Production

測試與評估

  • 測試類型：單元測試、整合測試、煙霧測試

robots using data

  • 評估模型可靠性，確保輸出精確
  • 測試模型以找出潛在問題並提升效能
Developing Machine Learning Models for Production

持續前進！

  • 把本課所學應用到真實專案
  • 確保可重現、可擴充、可靠，並監測資料漂移
  • 建立實驗架構以進行模型 A/B 測試
  • 定期再訓練並更新模型，維持長期準確
  • 持續關注機器學習的新發展
  • 不斷精進你的技能與專業
Developing Machine Learning Models for Production

出發吧！

Developing Machine Learning Models for Production

Preparing Video For Download...