Implementierung von MLOps im Unternehmen

Kapitel 7. Aufbau eines produktionsreifenMLOps-Projekts von A bis Z

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

Dieses Kapitel enthält ein Beispiel für ein ML-Projekt mit all seinen Komponenten und den MLOps-Attributen, die für den Produktionseinsatz erforderlich sind. Es folgt den in Kapitel 3 vorgestellten Verfahren. Die Beispielanwendungen dienen der Vorhersage und Vorbeugung von Betrug bei Kredittransaktionen, indem sie Benutzer- und Transaktionsmerkmale berechnen und diese in ein Klassifizierungsmodell einspeisen, das feststellt, ob es sich um eine rechtmäßige Transaktion handelt.

Alle in diesem Kapitel vorgestellten Codebeispiele sind in Git gespeichert.

Die Projektdurchführung besteht aus den folgenden Schritten:

1. Erkunden und Analysieren der Daten (EDA)

2. Aufbau der Pipeline für die Datenerfassung und -aufbereitung

3. Aufbau der Pipeline für die Modellschulung und -validierung

4. Entwicklung der Application-Serving-Pipeline (Abfangen von Anfragen, Verarbeitung von Daten, Inferenz usw.)

5. Überwachung der Daten und des Modells (Drift und mehr)

6. Kontinuierlicher Betrieb und CI/CD

Für die Datenaufbereitung gibt es zwei Möglichkeiten: die Verwendung von Standard-Python-Paketen und die Verwendung eines Feature-Stores.

Betrugsprävention ist eine Herausforderung, denn sie erfordert die Verarbeitung von Rohtransaktionen und Ereignissen in Echtzeit und die Fähigkeit, schnell zu reagieren ...