El aprendizaje automático es mucho más que solo implementar un algoritmo del AA. Un sistema de AA de producción implica una cantidad significativa de componentes.
Sistemas del AA de producción
Hasta ahora, hemos hablado sobre esto
Pero ¿qué ocurre con el resto de un sistema de AA?
Componentes a nivel del sistema
- No, no tienes que crear todo por tu cuenta.
- Volver a usar componentes genéricos del sistema de AA siempre que sea posible
- Las soluciones de Google CloudML incluyen Dataflow y TF Serving
- Los componentes también se pueden encontrar en otras plataformas, como Spark, Hadoop, etcétera.
- ¿Cómo sabes lo que necesitas?
- Comprender algunos paradigmas del sistema de AA y sus requisitos
Resumen de la clase de video
Hasta ahora, el Curso intensivo de aprendizaje automático se enfocó en crear modelos de AA. Sin embargo, como se sugiere en la siguiente figura, los sistemas de AA de producción del mundo real son ecosistemas grandes en los que el modelo es solo una parte.
Figura 1 Sistema de AA de producción real.
El código de AA es el centro de un sistema de producción de AA en el mundo real, pero esa casilla suele representar solo el 5% o menos del código total de ese sistema de producción de AA. (Esa no es una impresión incorrecta). Ten en cuenta que un sistema de producción de AA dedica una cantidad considerable de recursos a ingresar datos, como recopilarlos, verificarlos y extraer atributos de ellos. Además, observa que se debe implementar una infraestructura de entrega para que las predicciones del modelo de AA se puedan usar de forma práctica en el mundo real.
Afortunadamente, muchos de los componentes de la figura anterior se pueden reutilizar. Además, no tendrás que compilar todos los componentes de la figura 1.
TensorFlow Extended (TFX) es una plataforma de extremo a extremo para implementar canalizaciones de producción de AA.
Los módulos posteriores te ayudarán a tomar decisiones de diseño sobre la compilación de un sistema de AA de producción.