Construir Pipelines de Aprendizaje Automático

Capítulo 9. Implementaciones avanzadas de modelos con TensorFlow Serving

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

En el capítulo anterior, hablamos de la implementación eficaz de modelos TensorFlow o Keras con TensorFlow Serving. Con el conocimiento de la implementación básica de un modelo y la configuración de TensorFlow Serving, en este capítulo presentamos casos de uso avanzados de implementaciones de modelos de aprendizaje automático. Los casos de uso tocan diversos temas, por ejemplo, el despliegue de pruebas A/B de modelos, la optimización de modelos para su implementación y escalado, y el monitoreo de despliegues de modelos. Si no has tenido la oportunidad de revisar el capítulo anterior, te recomendamos que lo hagas porque proporciona los fundamentos para este capítulo.

Desacoplamiento de los ciclos de Implementación

Las Implementaciones básicas mostradas en el Capítulo 8 funcionan bien, pero tienen una restricción: el modelo entrenado y validado tiene que incluirse en la imagen del contenedor de implementación durante el paso de construcción o montarse en el contenedor durante el tiempo de ejecución del contenedor, como ya hemos comentado en el capítulo anterior. Ambas opciones requieren el conocimiento de los procesos DevOps (por ejemplo, la actualización de las imágenes de contenedores Docker) o la coordinación entre los equipos de ciencia de datos y DevOps durante la fase de implementación ...