Lorsque vous implémentez un modèle, commencez simplement. En ML, l'essentiel du travail porte sur les données Il est donc plus difficile d'exécuter un pipeline complet pour un modèle complexe des itérations sur le modèle lui-même. Après avoir configuré votre pipeline de données d'implémenter un modèle simple qui utilise quelques caractéristiques, vous pouvez pour créer un meilleur modèle.
Les modèles simples constituent une bonne base de référence, même si vous ne les lancez pas. En fait, un modèle simple est probablement mieux que vous ne le pensez. Commencer simple vous aide à déterminer si un modèle complexe est justifié ou non.
Entraîner votre propre modèle ou utiliser un modèle déjà entraîné
Les modèles entraînés existent pour différents cas d'utilisation et offrent avantages. Toutefois, les modèles entraînés ne fonctionnent réellement que lorsque l'étiquette les caractéristiques correspondent exactement à votre ensemble de données. Par exemple, si un modèle entraîné utilise 25 caractéristiques et que l'ensemble de données n'en inclut que 24, produira très probablement de mauvaises prédictions.
Les professionnels du ML utilisent généralement des sous-sections correspondantes d'entrées entraîné pour le réglage ou l'apprentissage par transfert. Si un modèle entraîné qui n'existent pas pour votre cas d'utilisation, à l'aide des sous-sections d'un modèle entraîné pour entraîner le vôtre.
Pour en savoir plus sur les modèles entraînés, consultez
Surveillance
Lors de la définition du problème, tenez compte de l'infrastructure de surveillance et d'alerte en matière de solutions de ML.
Déploiement du modèle
Dans certains cas, un modèle nouvellement entraîné peut être pire que le modèle actuellement en production. Si c'est le cas, vous voudrez empêcher qu'elle ne soit publiée dans et recevez une alerte indiquant l'échec du déploiement automatisé.
Décalage entraînement/livraison
Si l'une des caractéristiques entrantes utilisées pour l'inférence a des valeurs qui se situent en dehors la plage de distribution des données utilisées pendant l'entraînement, vous devez être alerté car il est probable que les prédictions du modèle seront médiocres. Par exemple, si votre a été entraîné pour prédire les températures des villes équatoriales au niveau de la mer, votre système d'inférence doit vous alerter des données entrantes avec des latitudes de longitudes et/ou d'altitudes en dehors de la plage utilisée pour l'entraînement du modèle. À l'inverse, le système d'inférence doit vous avertir si le modèle génère qui se situent en dehors de la plage de distribution observée de machine learning.
Serveur d'inférence
Si vous fournissez des inférences via un système RPC, vous devez surveiller le le serveur RPC lui-même et recevoir une alerte s'il cesse de fournir des inférences.