Sistemas de ML de produção

Duração estimada do módulo:70 minutos

Objetivos de aprendizado

• Analisar a amplitude dos componentes em um sistema de ML de produção.
• Escolher o paradigma de treinamento ideal (estático ou dinâmico).
• Escolher o paradigma de inferência ideal (estático ou dinâmico).
• Testar a implantação de machine learning
• Fazer as perguntas certas sobre seu sistema de ML de produção.
• Determinar falhas em modelos de ML do mundo real.
• Monitorar os componentes em um sistema de ML de produção.

Pré-requisitos:

Este módulo pressupõe que você conhece os conceitos abordados nos módulos a seguir:

• Introdução ao machine learning
• Regressão linear
• Como trabalhar com dados numéricos
• Como trabalhar com dados categóricos
• Conjuntos de dados, generalização e overfitting

Até agora, o foco deste curso foi a criação de modelos de machine learning (ML). No entanto, como a Figura 1 sugere, os sistemas de ML de produção do mundo real são grandes ecossistemas, e o modelo é apenas uma parte única e relativamente pequena.

Figura 1. Um sistema de ML de produção real é composto por vários componentes.

 

No centro de um sistema de produção de machine learning do mundo real está o ML mas isso geralmente representa apenas 5% ou menos da base de código total no sistema. Isso não é um erro de digitação; esse valor é significativamente menor do que o que esperar. Um sistema de produção de ML dedica recursos consideráveis aos dados de entrada: coletando, verificando e extraindo atributos deles.