Kubeflow pour l'apprentissage automatique

Chapitre 8. Inférence de modèle

Cet ouvrage a été traduit à l'aide de l'IA. Tes réactions et tes commentaires sont les bienvenus : [e-mail]

Note

Nous tenons à remercier Clive Cox et Alejandro Saucedo de Seldon pour leur grande contribution à ce chapitre.

La plus grande partie de l'attention portée à l'apprentissage automatique a été consacrée au développement d'algorithmes. Cependant, les modèles ne sont pas créés pour le plaisir de leur création, ils sont créés pour être mis en production. Habituellement, lorsque les gens parlent de mettre un modèle "en production", ils veulent dire effectuer une inférence.Comme présenté au chapitre 1 et illustré dans la figure 1-1, une solution d'inférence complète cherche à fournir des fonctionnalités de service, de surveillance et de mise à jour.

Modèle servant

Place un modèle entraîné derrière un service qui peut traiter les demandes de prédiction.

Surveillance des modèles

Surveille le serveur du modèle pour détecter toute irrégularité dans les performances, ainsi que la précision du modèle sous-jacent.

Mise à jour du modèle

Gère entièrement le versionnage de tes modèles et simplifie la promotion et le retour en arrière entre les versions.

Ce chapitre explorera chacun de ces composants de base et définira les attentes relatives à leurs fonctionnalités. Compte tenu des attentes concrètes, nous établirons une liste d'exigences que ta solution d'inférence idéale devra satisfaire. Enfin, nous aborderons les offres ...