Systemy produkcyjnego ML

Szacowana długość modułu: 70 minut

Cele szkolenia

,
• Uwzględnienie szerokiego zakresu komponentów produkcyjnego systemu ML.
• Wybierz idealny model trenowania (statyczny lub dynamiczny).
• Wybierz idealny model wnioskowania (statyczny lub dynamiczny).
• przetestować wdrożenie systemów uczących się,
• Zadaj właściwe pytania na temat swojego produkcyjnego systemu ML.
• Wykrywanie błędów w rzeczywistych modelach ML.
• Monitoruj komponenty w produkcyjnym systemie ML.

Wymagania wstępne:

W tym module zakładamy, że znasz pojęcia omówione następujące moduły:

• 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. Jednak, jak sugeruje to na ilustracji 1, rzeczywiste systemy ML w środowisku produkcyjnym są duże a model to tylko 1, stosunkowo mały element.

Rysunek 1. Prawdziwy system ML do produkcji składa się z wielu komponentów.

 

Podstawą rzeczywistego systemu produkcyjnego systemów uczących się są ML, ale często stanowi on tylko 5% lub mniej całkowitej bazy kodu w systemie. To nie błąd. to znacznie mniej, niż mogłoby się wydawać czego się spodziewać. Zwróć uwagę, że system produkcyjny ML poświęca spore zasoby w danych wejściowych: ich zbieraniu, weryfikowaniu i pobieraniu z nich funkcji.