Systèmes de ML de production

Durée estimée du module:70 minutes

Objectifs de la formation

.
• Connaître l'étendue des composants d'un système de ML de production
• Choisir le paradigme d'entraînement idéal (statique ou dynamique).
• Choisir le paradigme d'inférence idéal (statique ou dynamique).
• Tester votre déploiement de machine learning
• Posez les bonnes questions sur votre système de ML de production.
• Identifier les failles dans des modèles de ML concrets
• Surveiller les composants d'un système de ML de production

Conditions préalables:

Dans ce module, nous partons du principe que vous connaissez les concepts abordés dans le modules suivants:

• Introduction to Machine Learning
• Régression linéaire
• Utiliser des données numériques
• Utiliser des données catégorielles
• Ensembles de données, généralisation et surapprentissage

Jusqu'à présent, ce cours s'est concentré sur la création de modèles de machine learning (ML). Toutefois, comme l'indique la figure 1, les systèmes de production réels sont volumineux écosystèmes, et le modèle n'est qu'une partie unique et relativement petite.

Figure 1. Un système de production de ML réel comprend de nombreux composants.

 

Au cœur d'un système de production de machine learning réel se trouve le ML code du modèle, mais il ne représente souvent que 5% ou moins du codebase total le système. Ce n’est pas une faute ; il est nettement inférieur à ce que vous pourriez à vos attentes. Notez qu'un système de production de ML consacre des ressources considérables aux données d'entrée: la collecte, la vérification et l'extraction de caractéristiques.