Capítulo 8. Implementación de modelos con TensorFlow Serving

Este trabajo se ha traducido utilizando IA. Agradecemos tus opiniones y comentarios: translation-feedback@oreilly.com

La implementación de tu modelo de aprendizaje automático es el último paso antes de que otros puedan utilizar tu modelo y hacer predicciones con él. Por desgracia, la implementación de los modelos de aprendizaje automático cae en una zona gris en el pensamiento actual de la división del trabajo en el mundo digital. No es sólo una tarea de DevOps, ya que requiere cierto conocimiento de la arquitectura del modelo y sus requisitos de hardware. Al mismo tiempo, la implementación de modelos de aprendizaje automático está un poco fuera de la zona de confort de los ingenieros de aprendizaje automático y los científicos de datos. Conocen sus modelos al dedillo, pero suelen tener problemas con la implementación de los modelos de aprendizaje automático. En este capítulo y en el siguiente, queremos tender un puente entre ambos mundos y guiar a los científicos de datos y a los ingenieros DevOps a través de los pasos para implementar modelos de aprendizaje automático. La Figura 8-1 muestra la posición del paso de implementación en una cadena de aprendizaje automático.

Model Deployments as part of ML Pipelines
Figura 8-1. Implementaciones de modelos como parte de las tuberías de LD

Los modelos de aprendizaje automático pueden desplegarse de tres formas principales: ...

Get Construir Pipelines de 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.