Machine Learning bietet viel mehr als nur die Implementierung eines ML-Algorithmus. Ein ML-Produktionssystem umfasst eine große Anzahl von Komponenten.
Production ML Systems
Bisher haben wir darüber gesprochen.
Aber wie sieht es mit dem Rest eines ML-Systems aus?
Komponenten auf Systemebene
- Nein, du musst nicht alles selbst programmieren.
- Verwenden Sie nach Möglichkeit allgemeine ML-Systemkomponenten wieder.
- Zu den Google Cloud ML-Lösungen gehören Dataflow und TF Serving.
- Komponenten sind auch auf anderen Plattformen wie Spark und Hadoop verfügbar.
- Woher wissen Sie, was Sie brauchen?
- Einige ML-Systemparadigmen verstehen – ihre Anforderungen
Zusammenfassung der Videovorträge
Bislang beschäftigte sich der Crashkurs für maschinelles Lernen mit dem Erstellen von ML-Modellen. Wie die folgende Abbildung vorschlägt, sind echte ML-Produktionssysteme jedoch große Ökosysteme, von denen das Modell nur ein einzelner Teil ist.
Abbildung 1. Echte ML-Produktionssysteme.
Der ML-Code ist das Herzstück eines realen ML-Produktionssystems. Diese Box macht jedoch häufig nur maximal 5% des Gesamtcodes dieses gesamten ML-Produktionssystems aus. (Das ist kein Fehler.) Beachten Sie, dass ein ML-Produktionssystem erhebliche Ressourcen für die Eingabe aufwendet, um diese zu erfassen, zu überprüfen und Features daraus zu extrahieren. Außerdem muss eine Bereitstellungsinfrastruktur vorhanden sein, in der die Vorhersagen des ML-Modells in der Praxis umgesetzt werden müssen.
Glücklicherweise sind viele der Komponenten in der vorherigen Abbildung wiederverwendbar. Außerdem müssen Sie nicht alle Komponenten in Abbildung 1 selbst erstellen.
Tensor Extended (TFX) ist eine End-to-End-Plattform zum Bereitstellen von ML-Produktionspipelines.
Die nachfolgenden Module unterstützen Sie bei der Entwicklung Ihres Design-ML-Systems für die Produktion.