ML-Systeme für die Produktion

Geschätzte Moduldauer: 70 Minuten

Lernziele

• Schätzen Sie die Bandbreite der Komponenten in einem ML-Produktionssystem ein.
• Wählen Sie das ideale Trainingsparadigma aus (statisch oder dynamisch).
• Wählen Sie das ideale Inferenzmodell (statisch oder dynamisch) aus.
• Testen Sie Ihre Bereitstellung für maschinelles Lernen.
• Stellen Sie die richtigen Fragen zu Ihrem ML-Produktionssystem.
• Schwachstellen in realen ML-Modellen bestimmen
• Komponenten in einem ML-Produktionssystem überwachen

Voraussetzungen:

In diesem Modul wird davon ausgegangen, dass Sie mit den Konzepten der folgenden Modulen:

• Einführung in maschinelles Lernen
• Lineare Regression
• Mit numerischen Daten arbeiten
• Mit kategorialen Daten arbeiten
• Datasets, Generalisierung und Überanpassung

Bisher ging es in diesem Kurs um das Erstellen von Modellen für maschinelles Lernen (ML). Wie Abbildung 1 jedoch verrät, sind reale ML-Systeme für die Produktion groß und das Modell ist nur ein einzelner, relativ kleiner Teil.

<ph type="x-smartling-placeholder">

</ph> Abbildung 1: Ein reales ML-System für die Produktion besteht aus vielen Komponenten.

 

Im Mittelpunkt eines realen Produktionssystems für maschinelles Lernen steht das ML. Modellcode, stellt aber häufig nur 5% oder weniger der gesamten Codebasis in System. Das ist kein Fehldruck, ist es deutlich weniger, als Sie zu erwarten ist. Beachten Sie, dass ein ML-Produktionssystem erhebliche Ressourcen den Eingabedaten hinzu: Sie sammeln, verifizieren und Funktionen daraus extrahieren.