Creación de aplicaciones basadas en el aprendizaje automático

Capítulo 10. Construir salvaguardas para los modelos

Este trabajo se ha traducido utilizando IA. Agradecemos tus opiniones y comentarios: [e-mail]

Cuando diseña bases de datos o sistemas distribuidos, los ingenieros de software se preocupan por la tolerancia a fallos, es decir, la capacidad de un sistema para seguir funcionando cuando falla alguno de sus componentes. En software, la cuestión no es si una parte determinada del sistema fallará, sino cuándo. Los mismos principios pueden aplicarse al ML. Por muy bueno que sea un modelo, fallará en algunos ejemplos, por lo que debes diseñar un sistema que pueda gestionar con elegancia esos fallos.

En este capítulo, trataremos distintas formas de ayudar a prevenir o mitigar los fallos. En primer lugar, veremos cómo verificar la calidad de los datos que recibimos y producimos y utilizar esta verificación para decidir cómo mostrar los resultados a los usuarios. A continuación, veremos cómo hacer que una canalización de modelado sea más robusta para poder servir a muchos usuarios de forma eficiente. Después, echaremos un vistazo a las opciones para aprovechar los comentarios de los usuarios y juzgar el rendimiento de un modelo. Terminaremos el capítulo con una entrevista a Chris Moody sobre las buenas prácticas de implementación.

Ingeniar en torno a los fallos

Veamos en algunas de las formas más probables de que falle una canalización ML. El lector observador se dará cuenta de que estos casos de fallo son algo similares ...