Sistemas de produção de aprendizagem automática

Capítulo 15. Gestão e entrega de modelos

Este trabalho foi traduzido com recurso a IA. Agradecemos o teu feedback e comentários: [e-mail]

Neste capítulo, discutiremos o gerenciamento e a entrega de modelos. Começaremos com uma discussão sobre o acompanhamento de experimentos, apresentaremos o MLOps e discutiremos alguns dos principais conceitos e níveis de maturidade para a implementação de processos e infraestrutura de MLOps. Também discutiremos os fluxos de trabalho com alguma profundidade, juntamente com o versionamento de modelos. Em seguida, abordaremos a entrega contínua e a entrega progressiva.

Acompanhamento de experiências

As experiências são fundamentais para a ciência de dados e o ML. Na prática, o ML é mais uma ciência experimental do que teórica, pelo que o acompanhamento dos resultados das experiências, especialmente em ambientes de produção, é fundamental para poderes progredir em direção aos teus objetivos. Precisamos de processos rigorosos e de resultados reprodutíveis, o que criou a necessidade de acompanhar as experiências.

A depuração em ML é muitas vezes fundamentalmente diferente da depuração em engenharia de software, porque muitas vezes se trata de um modelo que não converge ou não generaliza, em vez de um erro funcional, como uma falha de segmentação ou um estouro de pilha. Manter um registo claro das alterações ao modelo e aos dados ao longo do tempo pode ser uma grande ajuda quando estás a tentar encontrar a origem do problema. ...