ML-Projekte durchlaufen Phasen mit spezifischen Zielen, Aufgaben und Ergebnissen. Ein klares Verständnis der Phasen der ML-Entwicklung hilft, Verantwortlichkeiten für die Entwicklung festzulegen, die Erwartungen der Stakeholder zu verwalten und Ressourcen effizient zuzuweisen.
Das erfolgreiche Durchlaufen der Phasen (oft iterativ) ist die Grundlage für das Entwerfen, Zusammenstellen und Erstellen von ML-Modellen, die langfristig Geschäftsprobleme lösen.
Die Implementierung einer ML-Lösung umfasst im Großen und Ganzen die folgenden Phasen:
- Ideenfindung und Planung
- Experimente
- Pipeline erstellen
- Produktion
Ideenfindung und Planung
In der Ideenfindungs- und Planungsphase formulieren Sie Ihr Problem als ML-Lösung und schätzen die Machbarkeit des Projekts ab.
- Ziel: Ermitteln, ob ML die beste Lösung für Ihr Problem ist.
- Aufgaben: Analysieren Sie das Geschäftsproblem, um die Einschränkungen Ihres Projekts zu verstehen.
- Ergebnis: Ein Design-Dokument, in dem beschrieben wird, wie ein Problem mit einer ML-Lösung gelöst werden kann.
Experimente
Experimente sind das Herzstück des maschinellen Lernens. In dieser Phase prüfen Sie, ob eine ML-Lösung praktikabel ist. Die Suche nach einer Lösung ist ein iterativer Prozess. Es ist nicht ungewöhnlich, Hunderte von Tests durchzuführen, bevor die richtige Kombination aus Features, Hyperparametern und Modellarchitektur gefunden wird, die das Problem löst.
- Ziel: Ein Modell erstellen, das das Geschäftsproblem löst.
- Aufgaben: Experimentieren Sie mit Funktionen, Hyperparametern und Modellarchitekturen.
- Ergebnis: Ein Modell mit einer Qualität, die für die Produktion ausreicht.
Pipeline-Erstellung und ‑Produktion
In der Phase der Pipeline-Erstellung und -Produktionsreife erstellen Sie Pipelines für die Verarbeitung von Daten, das Training eines Modells und die Bereitstellung von Vorhersagen. Anschließend stellen Sie das Modell und die Pipelines mit der erforderlichen Monitoring- und Logging-Infrastruktur in der Produktion bereit.
- Ziel: Die Infrastruktur für die Skalierung, das Monitoring und die Wartung von Modellen in der Produktion aufbauen und implementieren.
- Aufgaben: Erstellen Sie Pipelines, um viele der Aufgaben zu automatisieren, die erforderlich sind, um aktuelle Modelle in der Produktion zu halten.
- Ergebnisse: Validierte ML-Pipelines.
End-to-End-ML-Workflow
Das folgende Diagramm veranschaulicht den gesamten End-to-End-ML-Workflow mit den einzelnen Phasen, Aufgaben und Ergebnissen:
Abbildung 1. Die vier Hauptphasen eines ML-Workflows.
Hinweis
In jeder Phase gibt es mehrere Herausforderungen. Wenn Sie sie nicht erkennen und einplanen, kann das zu verpassten Deadlines, frustrierten Entwicklern und gescheiterten Projekten führen.