Systemy ML w produkcji

Szacowana długość modułu: 70 minut

Cele szkolenia

• Poznaj szeroki zakres komponentów w produkcyjnym systemie ML.
• Wybierz idealną metodę treningu (statyczny lub dynamiczny).
• Wybierz idealny model wnioskowania (statyczny lub dynamiczny).
• Przetestuj wdrożenie systemu uczącego się.
• Zadaj odpowiednie pytania na temat produkcyjnego systemu uczenia maszynowego.
• Wykrywanie błędów w rzeczywistych modelach ML.
• Monitoruj komponenty w produkcyjnym systemie ML.

.

Wymagania wstępne:

W tym module zakładamy, że znasz już pojęcia omawiane w tych modulech:

• Wprowadzenie do systemów uczących się
• Regresja liniowa
• Praca z danymi liczbowymi
• Praca z danymi kategorialnymi
• Zbiory danych, uogólnianie i nadmierne dopasowanie

Do tej pory to szkolenie skupiało się na tworzeniu modeli systemów uczących się. Jak jednak widać na rysunku 1, w przypadku rzeczywistych systemów ML do produkcji chodzi o duże ekosystemy, a model to tylko jeden, stosunkowo niewielki element.

Rysunek 1. Produkcyjny system ML składa się z wielu komponentów.

 

Sercem rzeczywistego systemu produkcyjnego uczenia maszynowego jest kod modelu ML, ale często stanowi on tylko 5% lub mniej całej bazy kodu w systemie. To nie pomyłka. To znacznie mniej niż można się spodziewać. Pamiętaj, że system produkcyjny do obsługi uczenia maszynowego przeznacza znaczne zasoby na dane wejściowe: ich zbieranie, weryfikację i wyodrębnianie z nich cech.