Praktisches maschinelles Lernen für Computer Vision

Kapitel 8. Modellqualität und kontinuierliche Bewertung

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

Bisher haben wir in diesem Buch die Entwicklung und Umsetzung von Visionsmodellen behandelt. In diesem Kapitel tauchen wir in das wichtige Thema der Überwachung und Bewertung ein. Wir wollen nicht nur mit einem hochwertigen Modell beginnen, sondern diese Qualität auch erhalten. Um einen optimalen Betrieb zu gewährleisten, ist es wichtig, durch Überwachung Erkenntnisse zu gewinnen, Kennzahlen zu berechnen, die Qualität des Modells zu verstehen und seine Leistung kontinuierlich zu bewerten.

Überwachung

Wir haben also unser Modell auf vielleicht Millionen von Bildern trainiert und sind mit seiner Qualität sehr zufrieden. Wir haben es in die Cloud gestellt, und jetzt können wir uns entspannt zurücklehnen, während es für immer tolle Vorhersagen macht... Richtig? Falsch! Genauso wie wir ein kleines Kind nicht allein lassen würden, um es zu managen, wollen wir auch unsere Modelle nicht allein in der Wildnis lassen. Es ist wichtig, dass wir ihre Qualität (anhand von Kennzahlen wie Genauigkeit) und Rechenleistung (Abfragen pro Sekunde, Latenz usw.) ständig überwachen. Das gilt vor allem dann, wenn wir unsere Modelle immer wieder auf neue Daten trainieren, die Änderungen in der Verteilung, Fehler und andere Probleme enthalten können, auf die wir achten müssen.

TensorBoard

Oft trainieren ML-Praktiker ...