I progetti ML avanzano per fasi, con obiettivi, attività e risultati specifici. Una comprensione chiara delle fasi di sviluppo del machine learning aiuta a stabilire le responsabilità ingegneristiche, a gestire le aspettative degli stakeholder e ad allocare le risorse in modo efficiente.
Superare le fasi (spesso in modo iterativo) è fondamentale per progettare, assemblare e creare modelli di ML che risolvano i problemi aziendali a lungo termine.
A livello generale, l'implementazione di una soluzione ML prevede le seguenti fasi:
- Ideazione e pianificazione
- Sperimentazione
- Creazione di pipeline
- Produzione
Ideazione e pianificazione
Durante la fase di ideazione e pianificazione, definisci il problema in termini di una soluzione ML e stimi la fattibilità del progetto.
- Obiettivo: determinare se il machine learning è la soluzione migliore al tuo problema.
- Attività: analizza il problema aziendale per comprendere i vincoli del tuo progetto.
- Risultato: un documento di progettazione che illustra come risolvere un problema con una soluzione ML. Per un esempio di documento di progettazione ML, vedi go/ml-design-doc-example.
La trascrizione di un video è disponibile guardando in trasmissione. Se la trascrizione non viene visualizzata, fai clic sull'icona della trascrizione .
Sperimentazione
La sperimentazione è il fulcro del machine learning. In questa fase verifichi che sia attuabile una soluzione ML. Trovare una soluzione è un processo iterativo. Non è raro provare centinaia di esperimenti prima di trovare la giusta combinazione di caratteristiche, iperparametri e architettura del modello che risolva il problema.
- Obiettivo: creare un modello che risolva il problema aziendale.
- Attività: sperimenta con caratteristiche, iperparametri e architetture dei modelli.
- Risultato: un modello di qualità sufficientemente buona da metterlo in produzione.
La trascrizione di un video è disponibile guardando in trasmissione. Se la trascrizione non viene visualizzata, fai clic sull'icona della trascrizione .
Creazione e produzione di pipeline
Durante la fase di creazione e produzione della pipeline, crei pipeline per l'elaborazione dei dati, l'addestramento di un modello e la pubblicazione di previsioni. Successivamente, esegui il deployment del modello e delle pipeline in produzione con l'infrastruttura di monitoraggio e logging necessaria.
- Obiettivo: creare e implementare l'infrastruttura per la scalabilità, il monitoraggio e la manutenzione dei modelli in produzione.
- Attività: crea pipeline per automatizzare molte delle attività al fine di mantenere i modelli aggiornati in produzione.
- Risultati: pipeline ML convalidate.
La trascrizione di un video è disponibile guardando in trasmissione. Se la trascrizione non viene visualizzata, fai clic sull'icona della trascrizione .
Flusso di lavoro ML end-to-end
Il seguente diagramma illustra l'intero flusso di lavoro ML end-to-end, elencando ogni fase e le relative attività e risultati:
Figura 1. Le quattro fasi principali di un flusso di lavoro ML.
Aspetti da considerare
In ogni fase sono presenti diverse sfide. Non realizzarli, e pianificarli, possono portare a scadenze mancanti, ingegneri frustrati e progetti falliti.