Aufbau von Machine-Learning-Systemen mit einem Feature Store

Kapitel 1. Aufbau von Systemen für maschinelles Lernen

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

Stell dir vor, du sollst eine Finanzprognose für das kommende Geschäftsjahr erstellen. Du entscheidest dich für maschinelles Lernen (ML), weil es viele Daten gibt, die aber, wie zu erwarten, an vielen verschiedenen Orten verteilt sind – in Tabellenkalkulationen und vielen verschiedenen Tabellen im Data Warehouse. Du arbeitest schon seit mehreren Jahren in derselben Organisation und das ist nicht das erste Mal, dass du diese Aufgabe bekommst. Bisher war das Endergebnis deines Modells jedes Jahr eine PowerPoint-Präsentation mit den Finanzprognosen. Jedes Jahr hast du ein neues Modell trainiert, dein Modell hat nur eine einzige Vorhersage gemacht, und damit warst du fertig. Jedes Jahr hast du praktisch bei Null angefangen. Du musstest (erneut) die Datenquellen finden, erneut Zugriff auf die Daten beantragen, um die Funktionen für dein Modell zu erstellen, und dann das Jupyter-Notebook aus dem letzten Jahr herauskramen und es mit neuen Daten und Verbesserungen an deinem Modell aktualisieren.

In diesem Jahr erkennst du jedoch, dass es sich lohnen könnte, Zeit in den Aufbau einer Grundlage für dieses Projekt zu investieren, damit du im nächsten Jahr weniger Arbeit hast. Anstatt also eine PowerPoint-Präsentation zu erstellen, beschließt du, ein Dashboard zu erstellen. Anstatt einmaligen Zugriff auf ...