ML-Projekte werden in Phasen mit spezifischen Zielen, Aufgaben und Ergebnissen vorangebracht. Ein klares Verständnis der ML-Entwicklungsphasen hilft dabei, Engineering-Verantwortlichkeiten festzulegen, die Erwartungen der Stakeholder zu bewältigen und Ressourcen effizient zuzuweisen.
Das erfolgreiche Durchlaufen der Phasen (oft iterativ) ist die Grundlage für das Entwerfen, Zusammenstellen und Erstellen von ML-Modellen, die Geschäftsprobleme langfristig lösen.
Die Implementierung einer ML-Lösung umfasst im Wesentlichen die folgenden Phasen:
- Ideenentwicklung und -planung
- Experimente
- Pipelineerstellung
- Produktion
Ideenentwicklung und -planung
Während der Ideenentwicklungs- und Planungsphase formulieren Sie Ihr Problem mit einer ML-Lösung und schätzen die Durchführbarkeit des Projekts.
- Ziel: Herausfinden, ob ML die beste Lösung für Ihr Problem ist.
- Aufgaben: Analysieren Sie das Geschäftsproblem, um die Einschränkungen Ihres Projekts zu verstehen.
- Ergebnis: Ein Designdokument, in dem beschrieben wird, wie sich ein Problem mit einer ML-Lösung lösen lässt. Ein Beispiel für ein ML-Designdokument finden Sie unter go/ml-design-doc-example.
Ein Videotranskript erhalten Sie in Broadcast. Wenn das Transkript nicht angezeigt wird, klicken Sie auf das Transkriptsymbol .
Experimente
Experimente sind der Kern des maschinellen Lernens. In dieser Phase prüfen Sie, ob eine ML-Lösung realisierbar ist. Die Suche nach einer Lösung ist ein iterativer Prozess. Es ist nicht ungewöhnlich, dass Sie Hunderte von Tests ausprobieren, bevor Sie die richtige Kombination aus Features, Hyperparametern und der Modellarchitektur finden, die das Problem löst.
- Ziel: Entwicklung eines Modells, das das unternehmensbezogene Problem löst
- Aufgaben: Experimentieren Sie mit Funktionen, Hyperparametern und Modellarchitekturen.
- Ergebnis: Ein Modell, dessen Qualität ausreichend ist, um es in die Produktion zu bringen.
Ein Videotranskript erhalten Sie in Broadcast. Wenn das Transkript nicht angezeigt wird, klicken Sie auf das Transkriptsymbol .
Pipelineerstellung und ‐produktion
Während der Erstellungs- und Produktionsphase der Pipeline erstellen Sie Pipelines zum Verarbeiten von Daten, zum Trainieren eines Modells und zum Bereitstellen von Vorhersagen. Anschließend stellen Sie das Modell und die Pipelines mit der erforderlichen Monitoring- und Logging-Infrastruktur in der Produktion bereit.
- Ziel: Aufbau und Implementierung der Infrastruktur für die Skalierung, das Monitoring und die Pflege von Modellen in der Produktion.
- Aufgaben: Erstellen Sie Pipelines, um viele Aufgaben zur Aktualisierung des aktuellen Modells in der Produktion zu automatisieren.
- Ergebnisse: Validierte ML-Pipelines.
Ein Videotranskript erhalten Sie in Broadcast. Wenn das Transkript nicht angezeigt wird, klicken Sie auf das Transkriptsymbol .
Vollständiger ML-Workflow
Das folgende Diagramm veranschaulicht den gesamten ML-Workflow und listet jede Phase und ihre Aufgaben und Ergebnisse auf:
Abbildung 1. Die vier Hauptphasen eines ML-Workflows
Wichtig
In jeder Phase gibt es mehrere Herausforderungen. Wenn sie nicht realisiert werden und nicht geplant werden, kann dies zu verpassten Fristen, frustrierten Entwicklern und fehlgeschlagenen Projekten führen.