Gratulacje! Twój model jest gotowy do wdrożenia w produkcyjnym potoku ML. W tej sekcji kursu przedstawiamy wytyczne dotyczące testowania potoków systemów uczących się. Ta sekcja nie przedstawia jednak tych wskazówek, ponieważ w środowisku piaskownicy taka wersja demonstracyjna nie jest dostępna.
Dowiesz się:
- Napisanie odpowiednich testów do uruchomienia i produkcji.
- Wykrywanie trybów awarii w potoku ML za pomocą testów.
- Ocena jakości modelu w wersji produkcyjnej.
Czym jest potok ML?
Potok ML składa się z kilku komponentów, co przedstawia schemat. Omówimy te komponenty później. Na razie obserwuj, że „Model” (czarna ramka) to niewielka część infrastruktury potoku niezbędnej do działania systemów uczących się.
Rola testowania w potokach ML
Idealny przepływ pracy w obszarze programowania oprogramowania jest zgodny z programowaniem opartym na testach (TDD). Jednak w systemach uczących się rozpoczęcie testowania nie jest proste. Testy zależą od danych, modelu i problemu. Na przykład przed wytrenowaniem modelu nie można napisać testu pozwalającego zweryfikować stratę. Zamiast tego odkryjesz możliwe do osiągnięcia straty podczas tworzenia modelu, a następnie przetestujesz nowe wersje pod kątem osiągalnej straty.
Potrzebujesz testów:
- Weryfikuję dane wejściowe.
- Sprawdzanie poprawności funkcji.
- Sprawdzanie jakości nowych wersji modeli.
- Weryfikuję infrastrukturę udostępniania.
- Testuję integrację między komponentami potoku.