Aprendizagem automática prática para visão computacional

Capítulo 8. Qualidade do modelo e avaliação contínua

Este trabalho foi traduzido com recurso a IA. Agradecemos o teu feedback e comentários: [e-mail]

Até agora, neste livro, abordámos a conceção e a implementação de modelos de visão. Neste capítulo, vamos mergulhar no importante tópico de monitoramento e avaliação. Além de começarmos com um modelo de alta qualidade, também queremos manter essa qualidade. Para garantir uma operação ideal, é importante obter insights por meio do monitoramento, calcular métricas, entender a qualidade do modelo e avaliar continuamente seu desempenho.

Monitorização

Portanto, treinámos o nosso modelo com talvez milhões de imagens e estamos muito satisfeitos com a sua qualidade. Implementámo-lo na Cloud e agora podemos sentar-nos e relaxar enquanto ele faz grandes previsões para o futuro... Certo? Errado! Tal como não deixaríamos uma criança pequena sozinha a cuidar de si própria, também não queremos deixar os nossos modelos sozinhos na natureza. É importante que monitorizemos constantemente a sua qualidade (utilizando métricas como a precisão) e o seu desempenho computacional (consultas por segundo, latência, etc.). Isto é especialmente verdade quando estamos constantemente a treinar novamente os modelos com novos dados que podem conter alterações de distribuição, erros e outros problemas dos quais queremos estar cientes.

TensorBoard

Muitas vezes, os profissionais de ML treinam os seus modelos sem considerar todos os pormenores. ...