Sistemi di ML di produzione

Durata stimata del modulo: 70 minuti

Obiettivi di apprendimento

• Valutare l'ampiezza dei componenti di un sistema ML di produzione.
• Scegliere il paradigma di addestramento ideale (statico o dinamico).
• Scegli il paradigma di inferenza ideale (statico o dinamico).
• Testa il deployment del machine learning.
• Poni le giuste domande sul tuo sistema ML di produzione.
• Determinare i difetti nei modelli di ML reali.
• Monitora i componenti di un sistema ML di produzione.

Prerequisiti:

Questo modulo presuppone che tu abbia familiarità con i concetti trattati nei seguenti moduli:

• Introduzione al machine learning
• Regressione lineare
• Lavorare con i dati numerici
• Lavorare con i dati categorici
• Set di dati, generalizzazione e overfitting

Finora, questo corso si è concentrato sulla creazione di modelli di machine learning (ML). Tuttavia, come suggerisce la Figura 1, i sistemi di ML di produzione reali sono grandi ecosistemi e il modello è solo una parte relativamente piccola.

Figura 1. Un sistema ML di produzione reale comprende molti componenti.

 

Il codice del modello di ML è al centro di un sistema di produzione di machine learning reale, ma spesso rappresenta solo il 5% o meno della codebase totale del sistema. Non è un errore di stampa: è notevolmente inferiore a quanto potresti in base alle previsioni. Nota che un sistema di produzione ML dedica notevoli risorse ai dati di input: raccoglierli, verificarli ed estrarne caratteristiche.