El aprendizaje automático es mucho más que una mera implementación de un algoritmo de AA. Un sistema de AA de producción implica una gran cantidad de componentes.
Sistemas del AA de producción
Hasta ahora, hemos hablado de esto
Pero ¿qué ocurre con el resto de los sistemas de AA?
Componentes a nivel del sistema
- No, no tienes que crear todo por tu cuenta.
- Volver a usar componentes genéricos del sistema de AA siempre que sea posible
- Las soluciones de Google CloudML incluyen Dataflow y TF Serving
- Los componentes también se pueden encontrar en otras plataformas como Spark, Hadoop, etcétera.
- ¿Cómo sabes lo que necesitas?
- Comprender algunos paradigmas del sistema de AA y sus requisitos
Resumen de la clase en video
Hasta ahora, el Curso intensivo de aprendizaje automático se centró en la creación de modelos de AA. Sin embargo, como sugiere la siguiente figura, los sistemas de AA de producción son grandes ecosistemas en los que el modelo es solo una parte.
Figura 1: Sistema de AA de producción del mundo real.
El código de AA está en el centro de un sistema de producción de AA real, Esa casilla suele representar solo el 5% o menos del código general de todo el sistema de producción de AA. (No es un error tipográfico). Ten en cuenta que un sistema de producción de AA dedica recursos considerables datos de entrada: recopilarlos, verificarlos y extraer atributos de ellos. Además, ten en cuenta que se debe implementar una infraestructura de entrega para para poner en práctica las predicciones del modelo de AA en el mundo real.
Por suerte, muchos de los componentes de la figura anterior se pueden reutilizar. Además, no tienes que compilar todos los componentes que se muestran en la Figura 1.
TensorFlow Extended (TFX) es una solución de para implementar canalizaciones de producción de AA.
Los módulos siguientes te ayudarán a guiar tus decisiones de diseño a la hora de crear un de AA de producción.