Sistemas de ML de produção

Duração estimada do módulo:70 minutos

Objetivos de aprendizado

• Entenda a amplitude dos componentes em um sistema de ML de produção.
• Escolher o paradigma de treinamento ideal (estático ou dinâmico).
• Escolha o paradigma de inferência ideal (estático ou dinâmico).
• Teste a implantação de machine learning.
• Faça as perguntas certas sobre seu sistema de ML de produção.
• Determinar falhas em modelos de ML do mundo real.
• Monitorar os componentes em um sistema de ML de produção.

Pré-requisitos:

Neste módulo, você precisa conhecer os conceitos abordados nos módulos a seguir:

• Introdução ao machine learning
• Regressão linear
• Como trabalhar com dados numéricos
• Como trabalhar com dados categóricos
• Conjuntos de dados, generalização e ajuste excessivo

Até agora, o foco deste curso foi a criação de modelos de machine learning (ML). No entanto, como a Figura 1 sugere, os sistemas de ML de produção reais são grandes ecossistemas, e o modelo é apenas uma parte relativamente pequena.

Figura 1. Um sistema de ML de produção real é composto por vários componentes.

 

O código do modelo de ML é o centro de um sistema de produção de machine learning real, mas ele geralmente representa apenas 5% ou menos do total da base de código do sistema. Isso não é um erro de impressão. É significativamente menor do que você espera. Um sistema de produção de ML dedica recursos consideráveis aos dados de entrada: coletando, verificando e extraindo atributos deles.