সেভ করা পৃষ্ঠা গুছিয়ে রাখতে 'সংগ্রহ' ব্যবহার করুন
আপনার পছন্দ অনুযায়ী কন্টেন্ট সেভ করুন ও সঠিক বিভাগে রাখুন।
এখন পর্যন্ত, এই কোর্সটি মেশিন লার্নিং (ML) মডেল তৈরির উপর দৃষ্টি নিবদ্ধ করেছে। যাইহোক, যেমন চিত্র 1 পরামর্শ দেয়, বাস্তব-বিশ্বের উত্পাদন এমএল সিস্টেমগুলি বড় ইকোসিস্টেম এবং মডেলটি শুধুমাত্র একটি একক, অপেক্ষাকৃত ছোট অংশ।
চিত্র 1. একটি বাস্তব-বিশ্ব উত্পাদন ML সিস্টেম অনেক উপাদান নিয়ে গঠিত।
বাস্তব-বিশ্বের মেশিন লার্নিং প্রোডাকশন সিস্টেমের কেন্দ্রবিন্দুতে হল ML মডেল কোড, কিন্তু এটি প্রায়শই সিস্টেমের মোট কোডবেসের মাত্র 5% বা তার কম প্রতিনিধিত্ব করে। এটি একটি ভুল ছাপ নয়; এটি আপনার প্রত্যাশার চেয়ে উল্লেখযোগ্যভাবে কম। লক্ষ্য করুন যে একটি ML উত্পাদন সিস্টেম ইনপুট ডেটাতে যথেষ্ট সম্পদ উৎসর্গ করে: এটি সংগ্রহ করা, এটি যাচাই করা এবং এটি থেকে বৈশিষ্ট্যগুলি বের করা।
[null,null,["2025-07-29 UTC-তে শেষবার আপডেট করা হয়েছে।"],[[["\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)"]]
