Systèmes de ML de production

Durée estimée du module:70 minutes

Objectifs de la formation

• Connaître l'étendue des composants d'un système de ML de production
• Choisissez le paradigme d'entraînement idéal (statique ou dynamique).
• Choisissez le paradigme d'inférence idéal (statique ou dynamique).
• Testez votre déploiement de machine learning.
• Posez les bonnes questions sur votre système de ML de production.
• Déterminer les failles dans des modèles de ML du monde réel
• Surveiller les composants d'un système de ML de production

Prérequis :

Dans ce module, nous partons du principe que vous connaissez les concepts abordés dans le modules suivants:

• Présentation du machine learning
• Régression linéaire
• Utiliser des données numériques
• Utiliser des données catégorielles
• Ensembles de données, généralisation et surajustement

Jusqu'à présent, ce cours s'est concentré sur la création de modèles de machine learning (ML). Cependant, comme le suggère la figure 1, les systèmes de ML en production réels sont de grands écosystèmes, et le modèle n'en est qu'une partie relativement petite.

Figure 1 Un système de production de ML réel comprend de nombreux composants.

 

Au cœur d'un système de production de machine learning réel se trouve le ML code du modèle, mais il ne représente souvent que 5% ou moins du codebase total le système. Ce n’est pas une faute ; il est nettement inférieur à ce que vous pourriez à vos attentes. Notez qu'un système de production de ML consacre des ressources considérables aux données d'entrée: la collecte, la vérification et l'extraction de caractéristiques.