Data Science auf der Google Cloud Platform, 2.

Kapitel 10. Vorbereitung auf MLOps mit Vertex AI

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

In Kapitel 9 haben wir ein TensorFlow-Modell in einem Jupyter Notebook entwickelt. Wir konnten das Modell trainieren, es an einen Endpunkt senden und Vorhersagen aus der Notebook-Umgebung abrufen. Das hat zwar während der Entwicklung funktioniert, ist aber kein skalierbarer Workflow.

Ein TensorFlow-Modell, das du in deinem Jupyter Notebook trainiert hast, und das SavedModel auf Vertex AI zu übertragen, ist für Hunderte von Modellen und große Teams nicht geeignet. Die Umschulung wird schwierig, weil das Betriebsteam alle Betriebsabläufe, die Überwachung und die Planung auf etwas aufbauen muss, das wirklich klobig und absolut nicht minimal ist.

Damit ein maschinelles Lernmodell in die Produktion gehen kann, muss es die folgenden Anforderungen erfüllen:

• Das Modell sollte unter Versionskontrolle stehen. Quellcode-Kontrollsysteme wie Git funktionieren viel besser mit Textdateien (z. B. .py-Dateien ) als mit Mischungen aus Text und Binärdateien (wie es .ipynb-Dateien sind).

• Der gesamte Prozess - von der Datensatzerstellung über das Training bis hin zum Einsatz - muss durch Code gesteuert werden. So ist es einfach, mit GitHub Actions oder GitLab Continuous Integration automatisch einen Trainingslauf auszulösen, wenn neuer geänderter Code eingecheckt wird.

• Der gesamte Prozess sollte von einem einzigen ...