یادگیری ماشینی بسیار بیشتر از پیاده سازی الگوریتم ML است. یک سیستم ML تولیدی شامل تعداد قابل توجهی از اجزا است.
تولید سیستم های ML
تا اینجا در این مورد صحبت کردیم
اما، بقیه سیستم ML چطور؟
اجزای سطح سیستم
- نه، لازم نیست همه چیز را خودتان بسازید.
- در صورت امکان از اجزای سیستم ML عمومی استفاده کنید.
- راه حل های Google CloudML شامل Dataflow و TF Serving است
- کامپوننت ها را می توان در پلتفرم های دیگری مانند Spark، Hadoop و غیره نیز یافت.
- چگونه می دانید چه چیزی نیاز دارید؟
- چند پارادایم سیستم ML و الزامات آنها را درک کنید
خلاصه سخنرانی ویدیویی
تا کنون، Machine Learning Crash Course بر ساخت مدل های ML متمرکز بوده است. با این حال، همانطور که شکل زیر نشان می‌دهد، سیستم‌های ML تولید در دنیای واقعی اکوسیستم‌های بزرگی هستند که مدل تنها بخشی از آنها است.
شکل 1. سیستم ML تولید در دنیای واقعی.
کد ML در قلب یک سیستم تولید ML در دنیای واقعی قرار دارد، اما این جعبه اغلب تنها 5٪ یا کمتر از کد کلی آن سیستم تولید کل ML را نشان می دهد. (این یک اشتباه چاپی نیست.) توجه داشته باشید که یک سیستم تولید ML منابع قابل توجهی را به داده های ورودی اختصاص می دهد - جمع آوری آنها، تأیید آنها و استخراج ویژگی ها از آنها. علاوه بر این، توجه داشته باشید که یک زیرساخت خدمت رسانی باید برای استفاده عملی از پیش بینی های مدل ML در دنیای واقعی وجود داشته باشد.
خوشبختانه، بسیاری از اجزای شکل قبل قابل استفاده مجدد هستند. علاوه بر این، لازم نیست تمام اجزای شکل 1 را خودتان بسازید.
TensorFlow Extended (TFX) یک پلت فرم سرتاسری برای استقرار خطوط لوله ML تولیدی است.
ماژول های بعدی به هدایت تصمیمات طراحی شما در ساخت یک سیستم ML تولیدی کمک می کند.