Aufbau von Pipelines für maschinelles Lernen

Kapitel 15. Die Zukunft der Pipelines und die nächsten Schritte

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

In den vergangenen 14 Kapiteln haben wir den aktuellen Stand von Pipelines für maschinelles Lernen erfasst und unsere Empfehlungen für deren Aufbau gegeben. Pipelines für maschinelles Lernen sind ein relativ neues Konzept, und in diesem Bereich wird sich noch viel tun. In diesem Kapitel gehen wir auf einige Dinge ein, die wir für wichtig halten, die aber nicht gut zu den aktuellen Pipelines passen, und wir werfen einen Blick auf zukünftige Schritte für ML-Pipelines.

Modellversuche verfolgen

In diesem Buch sind wir davon ausgegangen, dass du bereits experimentiert hast und die Modellarchitektur im Grunde feststeht. Wir möchten jedoch einige Gedanken dazu äußern, wie du Experimente nachverfolgen und zu einem reibungslosen Prozess machen kannst. Dein Experimentierprozess kann die Erforschung potenzieller Modellarchitekturen, Hyperparameter und Merkmalssätze beinhalten. Aber was auch immer du untersuchst, der wichtigste Punkt ist, dass dein Experimentierprozess eng mit deinem Produktionsprozess zusammenpassen sollte.

Unabhängig davon, ob du deine Modelle manuell optimierst oder sie automatisch abstimmst, ist es wichtig, die Ergebnisse des Optimierungsprozesses zu erfassen und mit anderen zu teilen. Die Teammitglieder können den Fortschritt der Modellaktualisierung schnell beurteilen. Gleichzeitig ...