Os projetos de ML avançam em fases, com metas, tarefas e resultados específicos. Uma compreensão clara das fases de desenvolvimento de ML ajuda a estabelecer responsabilidades de engenharia, gerenciar as expectativas das partes interessadas e alocar recursos com eficiência.
A movimentação pelas fases, geralmente de maneira iterativa, é fundamental para projetar, montar e criar modelos de ML que resolvem problemas de negócios a longo prazo.
De modo geral, a implementação de uma solução de ML consiste nas seguintes fases:
- Concepção e planejamento
- Experimentação
- Criação de pipelines
- Produção
Concepção e planejamento
Durante a fase de ideação e planejamento, você enquadra o problema em termos de uma solução de ML e estima a viabilidade do projeto.
- Objetivo: determinar se o ML é a melhor solução para seu problema.
- Tarefas: analisar o problema de negócios para entender as restrições do projeto.
- Resultado: um documento de design descrevendo como resolver um problema com uma solução de ML. Para um exemplo de um documento de design de ML, consulte go/ml-design-doc-example.
Uma transcrição do vídeo está disponível ao assistir em Transmissão. Se a transcrição não aparecer, clique no ícone de transcrição .
Experimentação
A experimentação é a essência do machine learning. Nessa fase, você verifica se uma solução de ML é viável. Encontrar uma solução é um processo iterativo. Não é incomum testar centenas de experimentos antes de encontrar a combinação certa de recursos, hiperparâmetros e arquitetura de modelo que resolva o problema.
- Meta: criar um modelo que resolva o problema dos negócios.
- Tarefas: testar recursos, hiperparâmetros e arquiteturas de modelos.
- Resultado: um modelo com qualidade boa o suficiente para ser colocado em produção.
Uma transcrição do vídeo está disponível ao assistir em Transmissão. Se a transcrição não aparecer, clique no ícone de transcrição .
Criação e produção de pipelines
Durante a fase de criação e produção do pipeline, você cria pipelines para processar dados, treinar um modelo e disponibilizar previsões. Em seguida, você implanta o modelo e os pipelines em produção com a infraestrutura necessária de monitoramento e geração de registros.
- Objetivo: criar e implementar a infraestrutura para escalonar, monitorar e manter modelos em produção.
- Tarefas: crie pipelines para automatizar muitas das tarefas a fim de manter modelos atualizados em produção.
- Resultados: pipelines de ML validados.
Uma transcrição do vídeo está disponível ao assistir em Transmissão. Se a transcrição não aparecer, clique no ícone de transcrição .
Fluxo de trabalho completo de ML
O diagrama a seguir ilustra todo o fluxo de trabalho de ML completo, listando cada fase e as tarefas e resultados:
Figura 1. As quatro fases principais de um fluxo de trabalho de ML.
Observação importante
Há vários desafios em cada fase. Não perceber (e se planejar) pode levar a prazos perdidos, engenheiros frustrados e projetos fracassados.