יש הרבה יותר מלמידה חישובית מאשר להטמיע אלגוריתם של למידת מכונה. מערכת למידת מכונה בסביבת ייצור כוללת מספר משמעותי של רכיבים.
מערכות למידת מכונה לייצור
עד עכשיו דיברנו על זה
אבל מה לגבי שאר מערכות ה-ML?
רכיבים ברמת המערכת
- לא, אתם לא צריכים לבנות בעצמכם.
- שימוש חוזר ברכיבי מערכת למידת מכונה (ML) כלליים ככל האפשר.
- הפתרונות של Google CloudML כוללים את Dataflow ו-TF serving
- רכיבים נוספים נמצאים גם בפלטפורמות אחרות, כגון Spark, Hadoop וכו'.
- איך יודעים מה צריך?
- הסבר על כמה פרדיגמות של מערכת למידת מכונה (ML) והדרישות שלהן
סיכום הרצאה על סרטון
עד עכשיו, קורס הקריסות של הלמידה החישובית התמקד בבניית מודלים של למידת מכונה (ML). עם זאת, כפי שמתואר בדוגמה הבאה, מערכות למידת מכונה לצורכי הפקה בפועל הן מערכות אקולוגיות גדולות שהמודל הוא רק חלק מהן.
איור 1. מערכת למידת מכונה בפועל בתחום הייצור.
קוד ה-ML נמצא בלב מערכת הייצור בעולם האמיתי, אבל לעיתים קרובות התיבה הזו מייצגת רק 5% או פחות מהקוד הכולל של אותה מערכת לייצור למידת מכונה. (זו לא שגיאת הקלדה). שימו לב שמערכת ייצור למידת מכונה מקדישה משאבים רבים להזנה של נתונים - איסוף, אימות וחילוץ תכונות. בנוסף, חשוב לשים לב שתשתית הצגה צריכה להיות קיימת כדי להכניס תחזיות מעשיות של מודל ה-ML לשימוש בעולם האמיתי.
למזלנו, הרבה מהרכיבים בדמות הקודמת ניתנים לשימוש חוזר. כמו כן, אין צורך לבנות את כל הרכיבים באיור 1 בעצמכם.
TensorFlow Extended (TFX) היא פלטפורמה מקצה לקצה לפריסה של צינורות עיבוד נתונים של למידת ייצור.
המודולים הבאים יעזרו לכם לקבל החלטות בנוגע לעיצוב בבניית מערכת למידת מכונה (ייצור).