קל לארגן דפים בעזרת אוספים
אפשר לשמור ולסווג תוכן על סמך ההעדפות שלך.
עד עכשיו, הקורס הזה התמקד בפיתוח מודלים של למידת מכונה (ML).
עם זאת, כפי שעולה מאיור 1, מערכות למידת מכונה בסביבת ייצור הן גדולות
המערכות האקולוגיות והמודל הם רק חלק אחד, קטן יחסית.
איור 1. מערכת למידת מכונה בסביבת ייצור בעולם האמיתי מורכבת מרכיבים רבים.
בליבה של מערכת ייצור למידת מכונה בעולם האמיתי היא
של המודל, אבל לרוב הוא מייצג רק 5% או פחות מתוך כלל ה-codebase
במערכת. זו לא טעות; נמוכה משמעותית ממה שהייתם
לצפות. חשוב לזכור שמערכות ייצור של למידת מכונה מקדישות משאבים רבים לנתוני הקלט: איסוף, אימות וחילוץ תכונות מהם.
[null,null,["עדכון אחרון: 2025-07-27 (שעון UTC)."],[[["\u003cp\u003eThis module explores the broader ecosystem of a production ML system, emphasizing that the model itself is only a small part of the overall system.\u003c/p\u003e\n"],["\u003cp\u003eYou will learn to choose the appropriate training and inference paradigms (static or dynamic) based on your specific needs.\u003c/p\u003e\n"],["\u003cp\u003eThe module covers key aspects of production ML systems, including testing, identifying potential flaws, and monitoring the system's components.\u003c/p\u003e\n"],["\u003cp\u003eAs a prerequisite, familiarity with foundational machine learning concepts, including linear regression, data types, and overfitting, is assumed.\u003c/p\u003e\n"],["\u003cp\u003eBuilding upon previous modules, this content shifts focus to the practical aspects of deploying and maintaining ML models in real-world scenarios.\u003c/p\u003e\n"]]],[],null,["# Production ML systems\n\n| **Estimated module length:** 70 minutes\n| **Learning objectives**\n|\n| - Appreciate the breadth of components in a production ML system.\n| - Pick the ideal training paradigm (static versus dynamic).\n| - Pick the ideal inference paradigm (static versus dynamic).\n| - Test your machine learning deployment.\n| - Ask the right questions about your production ML system.\n| - Determine flaws in real-world ML models.\n| - Monitor the components in a production ML system.\n| **Prerequisites:**\n|\n| This module assumes you are familiar with the concepts covered in the\n| following modules:\n|\n| - [Introduction to Machine Learning](/machine-learning/intro-to-ml)\n| - [Linear regression](/machine-learning/crash-course/linear-regression)\n| - [Working with numerical data](/machine-learning/crash-course/numerical-data)\n| - [Working with categorical data](/machine-learning/crash-course/categorical-data)\n| - [Datasets, generalization, and overfitting](/machine-learning/crash-course/overfitting)\n\nSo far, this course has focused on building machine learning (ML) models.\nHowever, as Figure 1 suggests, real-world production ML systems are large\necosystems and the model is just a single, relatively small part.\n**Figure 1.** A real-world production ML system comprises many components.\n\nAt the heart of a real-world machine learning production system is the ML\nmodel code, but it often represents only 5% or less of the total codebase in\nthe system. That's not a misprint; it's significantly less than you might\nexpect. Notice that an ML production system devotes considerable resources\nto the input data: collecting it, verifying it, and extracting features from it. \n[Help Center](https://support.google.com/machinelearningeducation)"]]
