Projekty ML rozwijają się w fazach z określonymi celami, zadaniami i wynikami. Dokładne zrozumienie faz rozwoju systemów uczących się pomaga określić odpowiedzialność inżynierską, zarządzać oczekiwaniami zainteresowanych osób i sprawnie przydzielać zasoby.
Skuteczne przechodzenie przez kolejne fazy (często iteracyjnie) to podstawa projektowania, montażu i tworzenia modeli systemów uczących się, które rozwiązują problemy biznesowe w dłuższej perspektywie.
Implementacja rozwiązania ML składa się z tych etapów:
- Tworzenie koncepcji i planowanie
- Eksperymenty
- Tworzenie potoków
- Produkcja
Tworzenie koncepcji i planowanie
Na etapie koncepcji i planowania musisz przedstawić swój problem w kontekście rozwiązania ML i oszacować wykonalność projektu.
- Cel: ustalenie, czy systemy uczące się są najlepszym rozwiązaniem Twojego problemu.
- Zadania: przeanalizuj problem biznesowy, aby zrozumieć ograniczenia projektu.
- Wynik: dokument projektowy opisujący, jak rozwiązać problem za pomocą rozwiązania ML. Przykładowy dokument z projektem ML znajdziesz na stronie go/ml-design-doc-example.
Transkrypcję filmu można obejrzeć w sekcji Nadawanie. Jeśli transkrypcja się nie pojawi, kliknij ikonę transkrypcji.
Eksperymenty
Eksperymentowanie jest podstawą systemów uczących się. Na tym etapie musisz sprawdzić, czy dane rozwiązanie ML jest przydatne. Poszukiwanie rozwiązania to proces iteracyjny. Nierzadko zdarza się, że przed znalezieniem odpowiedniej kombinacji funkcji, hiperparametrów i architektury modelu, która rozwiązuje problem, często sprawdza się setki eksperymentów.
- Cel: Utworzenie modelu, który rozwiąże problem biznesowy.
- Zadania: eksperymentuj z funkcjami, hiperparametrami i architekturami modeli.
- Wynik: model o dobrej jakości do zastosowania w produkcji.
Transkrypcję filmu można obejrzeć w sekcji Nadawanie. Jeśli transkrypcja się nie pojawi, kliknij ikonę transkrypcji.
Tworzenie potoku i produkcja
Na etapie tworzenia i produkcji potoku tworzysz potoki do przetwarzania danych, trenowania modelu i obsługi prognoz. Następnie wdróż model i potoki w środowisku produkcyjnym wraz z niezbędną infrastrukturą do monitorowania i logowania.
- Cel: tworzenie i wdrażanie infrastruktury do skalowania, monitorowania i utrzymywania modeli w środowisku produkcyjnym.
- Zadania: tworzenie potoków do automatyzacji wielu zadań w celu zachowania aktualnych modeli w środowisku produkcyjnym.
- Wyniki: sprawdzone potoki systemów uczących się.
Transkrypcję filmu można obejrzeć w sekcji Nadawanie. Jeśli transkrypcja się nie pojawi, kliknij ikonę transkrypcji.
Kompleksowy przepływ pracy ML
Na diagramie poniżej widać cały przepływ pracy ML oraz listę poszczególnych etapów, ich zadań i wyników:
Rysunek 1. 4 główne fazy przepływu pracy ML.
Pamiętaj
Na każdym etapie jest wiele wyzwań. Niezrozumienie ich i niezaplanowanie ich może prowadzić do utraty terminów, zdenerwowania inżynierów i nieudanych projektów.