Kubeflow Betriebsanleitung

Kapitel 8. Modellpflege und Integration

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: [e-mail]

Maschinelles Lernen in der Praxis konzentriert sich weitgehend auf das Training von Lernmodellen. Viele theoretische Bücher befassen sich jedoch nicht mit der Frage, wie man ein Modell in eine Produktionsanwendung integriert und den Lebenszyklus des Modells verwaltet. Kubeflow als Plattform deckt alle Phasen der Modellentwicklung und -bereitstellung ab.

In diesem Kapitel bauen wir dein Verständnis für die operativen Konzepte des maschinellen Lernens auf und zeigen dann, wie diese Konzepte mit KFServing auf Kubernetes in der Praxis ausgeführt werden. Beginnen wir mit den Kernkonzepten der Modellverwaltung.

Grundlegende Konzepte des Modellmanagements

Du musst die folgenden grundlegenden Konzepte im Zusammenhang mit maschinellem Lernen verstehen:

• Modelltraining versus Modellinferenz
• Inferenz-Latenzen
• Die wichtigsten Komponenten der Operationalisierung eines Modells in der Produktion
• Latenzen bei Batch- und Transaktionsoperationen
• Rohdaten in Vektoren umwandeln
• Festverdrahtung eines einzelnen Modells versus Modellmanagement
• Wissen, wann ein Modell neu trainiert werden muss
• Modell-Rollbacks
• Sicherheitsmodelle für die Modellverwaltung
• Skalierung eines Modells in der Produktion
• Überwachung der Leistung eines Modells
• Erklärbarkeit des Modells
• Erkennen von Eingabeausreißern

Die Herausforderung wird noch größer, ...