Makine öğrenimi algoritması, makine öğrenimi algoritması uygulamaktan çok daha fazlasını içerir. Bir üretim ML sistemi önemli sayıda bileşen içerir.
Üretim ML Sistemleri
Şimdiye kadar bundan bahsettik
Peki makine öğrenimi sisteminin geri kalanı için durum nedir?
Sistem Düzeyi Bileşenleri
- Hayır, her şeyi kendiniz oluşturmanız gerekmez.
- Mümkün olduğunda genel makine öğrenimi sistem bileşenlerini yeniden kullanın.
- Google CloudML çözümleri arasında Dataflow ve TF Sunumu yer alır
- Bileşenler, Spark, Hadoop vb. diğer platformlarda da bulunabilir.
- Neye ihtiyacınız olduğunu nereden bileceksiniz?
- Birkaç makine öğrenimi paradigmasını ve bu kuralların gereksinimlerini anlayın
Video Ders Özeti
Makine Öğrenimi Crash Course'da şu ana kadar makine öğrenimi modelleri geliştirmeye odaklanıldı. Ancak aşağıdaki resimde gösterildiği gibi, modelin yalnızca tek bir parçası olan büyük ekosistemler, gerçek dünyadan makine öğrenimi sistemleridir.
Şekil 1. Gerçek dünyadan makine öğrenimi sistemi.
ML kodu, gerçek dünya makine öğrenimi üretim sisteminin merkezinde yer alır. Ancak bu kutu çoğu zaman toplam makine öğrenimi üretim sisteminin genel kodunun yalnızca% 5'ini veya daha azını temsil eder. (Bu, yanlış bir izlenim bırakmaz.) Bir makine öğrenimi üretim sisteminin önemli ölçüde veri toplamak (verileri toplamak, doğrulamak ve bunlardan veri çıkarmak) için kullandığına dikkat edin. Ayrıca makine öğrenimi modelinin tahminlerini gerçek dünyada pratik hayata geçirebilmek için sunum yapan bir altyapının bulunması gerektiğini unutmayın.
Yukarıdaki örnekteki bileşenlerin çoğu yeniden kullanılabilir. Ayrıca Şekil 1'deki tüm bileşenleri kendiniz oluşturmanız gerekmez.
TensorFlow Expandable (TFX), üretim makine öğrenimi ardışık düzenlerinin dağıtılması için uçtan uca bir platformdur.
Sonraki modüller, üretim makine öğrenimi sistemi oluştururken tasarım kararlarınıza rehberlik edecektir.