Aufbau von Anwendungen mit maschinellem Lernen

Kapitel 3. Baue deine erste End-to-End-Pipeline

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: [e-mail]

In Teil I haben wir zunächst beschrieben, wie man von den Produktanforderungen zu den möglichen Modellierungsansätzen gelangt. Dann sind wir zur Planungsphase übergegangen und haben beschrieben, wie man relevante Ressourcen findet und sie nutzt, um einen ersten Plan für den Aufbau zu erstellen. Zum Schluss haben wir besprochen, dass der Bau eines ersten Prototyps eines funktionierenden Systems der beste Weg ist, um Fortschritte zu machen. Das ist es, was wir in diesem Kapitel behandeln werden.

Diese erste Iteration ist von vornherein unzureichend. Er soll uns ermöglichen, alle Teile einer Pipeline zu haben, damit wir Prioritäten setzen können, welche Teile wir als Nächstes verbessern müssen. Ein vollständiger Prototyp ist der einfachste Weg, um den Engpass zu identifizieren, den Monica Rogati in "Monica Rogati: How to Choose and Prioritize ML Projects" beschrieben hat .

Beginnen wir damit, die einfachste Pipeline zu bauen, die Vorhersagen aus einer Eingabe erstellen kann.

Das einfachste Baugerüst

In "Starte mit einer einfachen Pipeline" haben wir beschrieben, wie die meisten ML-Modelle aus zwei Pipelines bestehen: Training und Inferenz. Das Training ermöglicht es uns, ein qualitativ hochwertiges Modell zu erstellen, und bei der Inferenz geht es darum, die Ergebnisse an die Nutzer weiterzugeben. Unter ...