Fangen Sie bei der Implementierung eines Modells einfach an. Der Großteil der Arbeit in ML liegt bei den Daten, Daher ist es schwieriger, eine vollständige Pipeline für ein komplexes Modell auszuführen, Iteration des Modells selbst. Nachdem Sie Ihre Datenpipeline eingerichtet und Wenn Sie ein einfaches Modell mit einigen Funktionen implementieren, können Sie um ein besseres Modell zu erstellen.
Einfache Modelle bieten eine gute Basis, auch wenn Sie sie letztendlich nicht einführen. Tatsächlich ist die Verwendung eines einfachen Modells wahrscheinlich besser, als Sie denken. Einfacher Einstieg können Sie feststellen, ob ein komplexes Modell überhaupt gerechtfertigt ist.
Eigenes Modell im Vergleich zu einem bereits trainierten Modell trainieren
Trainierte Modelle gibt es für eine Vielzahl von Anwendungsfällen Vorteile hat. Trainierte Modelle funktionieren jedoch nur dann wirklich, genau mit Ihrem Dataset übereinstimmen. Wenn z. B. ein trainiertes Modell verwendet 25 Merkmale und Ihr Dataset enthält nur 24 davon, die trainierten wird das Modell höchstwahrscheinlich schlechte Vorhersagen treffen.
Üblicherweise verwenden ML-Anwender übereinstimmende Unterabschnitte von Eingaben aus einer für die Feinabstimmung oder den Lerntransfer nutzen können. Wenn ein trainiertes Modell für Ihren Anwendungsfall nicht verfügbar ist, unter Verwendung von Unterabschnitten aus einem trainierten Modell.
Informationen zu trainierten Modellen finden Sie unter
Monitoring
Berücksichtigen Sie bei der Problemstellung die Monitoring- und Benachrichtigungsinfrastruktur, Anforderungen von ML-Lösungen.
Modellbereitstellung
In einigen Fällen ist ein neu trainiertes Modell für die Produktion. Ist dies der Fall, sollten Sie verhindern, Produktion und Sie erhalten eine Benachrichtigung, dass die automatisierte Bereitstellung fehlgeschlagen ist.
Abweichungen zwischen Training und Bereitstellung
Wenn eines der eingehenden Features, die für die Inferenz verwendet werden, Werte hat, die außerhalb des Bereichs liegen Verteilungsbereich der für das Training verwendeten Daten haben, möchten Sie benachrichtigt werden, weil das Modell wahrscheinlich schlechte Vorhersagen treffen wird. Wenn zum Beispiel wurde darauf trainiert, Temperaturen in Äquatorstädten auf Meereshöhe vorherzusagen. sollte Ihr System Sie auf eingehende Daten mit Breitengraden und Längengrade und/oder Höhen außerhalb des Bereichs, in dem das Modell trainiert wurde. Umgekehrt sollte das System Sie benachrichtigen, wenn das Modell Vorhersagen, die außerhalb des Verteilungsbereichs liegen, der während Schulung.
Inferenzserver
Wenn Sie Inferenzen über ein RPC-System bereitstellen, sollten Sie die RPC-Server selbst und erhalten eine Benachrichtigung, wenn er keine Inferenzen mehr bereitstellt.