एमएल एल्गोरिदम को लागू करने के बजाय, मशीन लर्निंग में बहुत कुछ होता है. प्रोडक्शन एमएल सिस्टम में कई कॉम्पोनेंट शामिल होते हैं.
प्रोडक्शन एमएल सिस्टम
अब तक, हमने इस बारे में बात की है
लेकिन एमएल सिस्टम के बाकी बचे हिस्से का क्या होगा?
सिस्टम-लेवल के कॉम्पोनेंट
- नहीं, आपको सब कुछ खुद नहीं बनाना पड़ता.
- जहां भी हो सके वहां सामान्य एमएल सिस्टम कॉम्पोनेंट का फिर से इस्तेमाल करें.
- Google CloudML की सेवाओं में, डेटाफ़्लो और TF सर्विंग शामिल हैं
- कॉम्पोनेंट को स्पार्क, हेडोप वगैरह जैसे दूसरे प्लैटफ़ॉर्म में भी देखा जा सकता है.
- आपको कैसे पता चलेगा कि आपको क्या चाहिए?
- कुछ एमएल सिस्टम मॉडल और उनकी ज़रूरी शर्तों को समझना
वीडियो लेक्चर की खास जानकारी
अब तक, मशीन लर्निंग क्रैश कोर्स ने एमएल मॉडल बनाने पर ध्यान दिया है. हालांकि, जैसा कि नीचे दिए गए आंकड़ों से पता चलता है, असल दुनिया में बने एमएल सिस्टम बड़े नेटवर्क हैं. ये मॉडल सिर्फ़ एक हिस्से के तौर पर काम करते हैं.
पहला डायग्राम. रीयल-वर्ल्ड प्रोडक्शन एमएल सिस्टम.
ML कोड, असली ML प्रोडक्शन सिस्टम के लिए सबसे अहम होता है. हालांकि, यह बॉक्स अक्सर, कुल ML प्रोडक्शन सिस्टम के कुल कोड का सिर्फ़ 5% या उससे कम होता है. (यह गलत जानकारी नहीं है.) ध्यान दें कि एमएल प्रोडक्शन सिस्टम डेटा को इकट्ठा करने, उसे इकट्ठा करने, उसकी पुष्टि करने, और उससे सुविधाओं को निकालने के लिए खास संसाधनों का इस्तेमाल करता है. इसके अलावा, यह भी ध्यान रखें कि एमएल मॉडल और उनके अनुमान को असल दुनिया में इस्तेमाल करने के लिए, सर्विंग इंफ़्रास्ट्रक्चर ज़रूरी है.
अच्छी बात यह है कि पिछली इमेज के कई कॉम्पोनेंट फिर से इस्तेमाल किए जा सकते हैं. इसके अलावा, आपको इमेज 1 में सभी कॉम्पोनेंट खुद बनाने की ज़रूरत नहीं है.
TensorFlow एक्सटेंडेड (TFX) एक ऐसा प्लैटफ़ॉर्म है जो एमएल पाइपलाइन को डिप्लॉय करने का काम करता है.
बाद के मॉड्यूल, एमएल सिस्टम बनाने में आपके डिज़ाइन से जुड़े फ़ैसलों में मदद करेंगे.