Ciência de dados na AWS

Capítulo 9. Implantar modelos na produção

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

Nos capítulos anteriores, demonstrámos como treinar e otimizar modelos. Neste capítulo, mudamos o foco do desenvolvimento de modelos no laboratório de pesquisa para a implantação de modelos na produção. Demonstraremos como implantar, otimizar, dimensionar e monitorar modelos para atender aos nossos aplicativos e casos de uso comercial.

Implementamos nosso modelo para fornecer previsões online em tempo real e mostramos como executar previsões em lote offline. Para previsões em tempo real, implementamos o nosso modelo através de SageMaker Endpoints. Discutimos as melhores práticas e estratégias de implementação, como implementações canário e implementações azul/verde. Mostramos como testar e comparar novos modelos usando testes A/B e como implementar a aprendizagem por reforço com testes MAB (multiarmed bandit). Demonstramos como dimensionar automaticamente a nossa infraestrutura de alojamento de modelos com alterações no tráfego de previsão de modelos. Mostramos como monitorizar continuamente o modelo implementado para detetar desvios de conceito, desvios na qualidade do modelo ou na tendência e desvios na importância das caraterísticas. Também abordamos o fornecimento de previsões de modelos por meio de APIs sem servidor usando Lambda e como otimizar e gerenciar modelos na borda. Concluímos o capítulo com dicas sobre ...