Ciencia de datos en AWS

Capítulo 9. Implementación de modelos en producción

Este trabajo se ha traducido utilizando IA. Agradecemos tus opiniones y comentarios: [e-mail]

En capítulos anteriores, demostramos cómo entrenar y optimizar modelos. En este capítulo, pasamos del desarrollo de modelos en el laboratorio de investigación a la implementación de modelos en producción. Demostramos cómo implementar, optimizar, escalar y monitorizar modelos para que sirvan a nuestras aplicaciones y casos de uso empresarial.

Implementamos nuestro modelo para realizar predicciones en línea y en tiempo real, y mostramos cómo ejecutar predicciones por lotes fuera de línea. Para las predicciones en tiempo real, desplegamos nuestro modelo a través de SageMaker Endpoints. Discutimos las buenas prácticas y las estrategias de implementación, como los despliegues canarios y las implementaciones azul/verde. Mostramos cómo probar y comparar nuevos modelos mediante pruebas A/B y cómo implementar el aprendizaje por refuerzo con pruebas de bandidos armados múltiples (MAB). Demostramos cómo escalar automáticamente nuestra infraestructura de alojamiento de modelos con los cambios en el tráfico de predicción de modelos. Mostramos cómo monitorizar continuamente el modelo implementado para detectar la desviación del concepto, la desviación de la calidad o el sesgo del modelo, y la desviación de la importancia de las características. También abordamos el servicio de predicciones de modelos mediante API sin servidor ...