Capítulo 11. Arquitectura de una plataforma de ML
Este trabajo se ha traducido utilizando IA. Agradecemos tus opiniones y comentarios: translation-feedback@oreilly.com
En el capítulo anterior, hablamos de la arquitectura general de las aplicaciones ML y de que en muchos casos utilizarás modelos ML preconstruidos. En algunos casos, tu equipo tendrá que desarrollar el modelo ML que constituye el núcleo de la aplicación ML.
En este capítulo, profundizarás en el desarrollo y la implementación de dichos modelos ML personalizados. Verás las etapas en el desarrollo de modelos ML y los marcos que soportan dicho desarrollo. Una vez creado el modelo, tendrás que automatizar el proceso de entrenamiento, para lo que buscarás herramientas y productos que te ayuden en esta transición. Por último, tendrás que monitorear el comportamiento de tus modelos entrenados que se han desplegado en los puntos finales para ver si se están desviando al hacer inferencias.
En capítulos anteriores, hemos hablado de las capacidades de ML que permiten diversas partes de la plataforma de datos. En concreto, el almacenamiento de datos para tu plataforma de ML puede estar en el lago de datos(Capítulo 5) o en el DWH(Capítulo 6), el entrenamiento se llevaría a cabo en un sistema informático eficiente para ese almacenamiento, y la inferencia puede invocarse desde una canalización de flujo(Capítulo 8) o desplegarse en el perímetro(Capítulo 9). En este capítulo, reuniremos todas estas discusiones y consideraremos lo que ...
Get Arquitectura de Plataformas de Datos y Aprendizaje Automático now with the O’Reilly learning platform.
O’Reilly members experience books, live events, courses curated by job role, and more from O’Reilly and nearly 200 top publishers.
