機器學習比單純導入機器學習演算法來得多。 實際執行機器學習系統包含大量元件。
可用於實際工作環境的機器學習系統
目前為止，我們曾討論過
但機器學習機器學習的其他部分呢？
系統層級的元件
- 不，您無須自行建構。
- 盡可能重複使用通用機器學習系統元件。
- Google CloudML 解決方案包括 Dataflow 與 TF Serving
- 您也可以在 Spark、Hadoop 等其他平台中找到元件。
- 如何判斷需求？
- 瞭解機器學習系統的典範和
影片講座摘要
機器學習密集課程截至目前為止，主要著重於建構機器學習模型。然而，如下圖所示，實際實際工作環境的機器學習系統是整個生態系統，其模型只是單一零件。
圖 1. 實際生產環境中的機器學習系統。
機器學習程式碼是實際機器學習生產系統的核心，但這個方塊通常僅佔整個機器學習生產系統整體程式碼的 5% 或更少。(應該不是藍圖)。 請注意，機器學習生產系統投入大量資源來輸入資料：收集資料、驗證，以及從資料中擷取特徵。另外請注意，必須採用供應基礎架構，才能將機器學習模型的預測結果實際應用在實際用途。
幸好，上圖中的許多元件都可以重複使用。此外，您不需要自行建構圖 1 中的所有元件。
TensorFlow Extended (TFX) 是端對端平台，用於部署生產環境中的機器學習管線。
後續的模組將協助您在設計實際工作環境機器學習系統時，考量您的設計決策。