Projekty ML są realizowane etapami, z określonymi celami, zadaniami i wynikami. Jasne zrozumienie etapów rozwoju ML pomaga określić obowiązki inżynierów, zarządzać oczekiwaniami zainteresowanych stron i skutecznie przydzielać zasoby.
Skuteczne przechodzenie przez poszczególne etapy (często iteracyjne) jest podstawą projektowania, tworzenia i budowania modeli ML, które długoterminowo rozwiązują problemy biznesowe.
Ogólnie wdrożenie rozwiązania opartego na ML składa się z tych etapów:
- Tworzenie pomysłów i planowanie
- Eksperymenty
- Tworzenie potoku
- Wdrożenie do środowiska produkcyjnego
Tworzenie pomysłów i planowanie
Podczas fazy tworzenia pomysłów i planowania określasz problem w kontekście rozwiązania ML i szacujesz wykonalność projektu.
- Cel: sprawdzenie, czy uczenie maszynowe jest najlepszym rozwiązaniem Twojego problemu.
- Zadania: przeanalizuj problem biznesowy, aby poznać ograniczenia projektu.
- Wynik: dokument projektowy opisujący, jak rozwiązać problem za pomocą rozwiązania opartego na uczeniu maszynowym.
Eksperymenty
Eksperymentowanie jest podstawą uczenia maszynowego. Na tym etapie sprawdzasz, czy rozwiązanie ML jest wykonalne. Znalezienie rozwiązania jest procesem iteracyjnym. Zanim znajdziesz odpowiednią kombinację cech, hiperparametrów i architektury modelu, która rozwiąże problem, możesz przeprowadzić setki eksperymentów.
- Cel: stworzenie modelu, który rozwiązuje problem biznesowy.
- Zadania: eksperymentuj z funkcjami, hiperparametrami i architekturami modeli.
- Wynik: model o wystarczająco wysokiej jakości, aby można go było wdrożyć w środowisku produkcyjnym.
Tworzenie potoków i wdrażanie ich w środowisku produkcyjnym
Podczas tworzenia i wdrażania potoku budujesz potoki do przetwarzania danych, trenowania modelu i udostępniania prognoz. Następnie wdrażasz model i potoki w środowisku produkcyjnym z niezbędną infrastrukturą monitorowania i rejestrowania.
- Cel: zbudowanie i wdrożenie infrastruktury do skalowania, monitorowania i utrzymywania modeli w środowisku produkcyjnym.
- Zadania: twórz potoki, aby zautomatyzować wiele zadań związanych z utrzymywaniem aktualnych modeli w środowisku produkcyjnym.
- Wyniki: zweryfikowane potoki ML.
Kompletny przepływ pracy ML
Poniższy diagram przedstawia cały proces uczenia maszynowego, z podziałem na poszczególne etapy, zadania i wyniki:
Rysunek 1. 4 główne etapy przepływu pracy ML.
Pamiętaj
Na każdym etapie jest wiele wyzwań. Jeśli nie zdajesz sobie z nich sprawy i nie uwzględniasz ich w planowaniu, może to prowadzić do niedotrzymywania terminów, frustracji inżynierów i niepowodzeń projektów.