Maschinelle Lernsysteme entwerfen

Kapitel 7. Modellbereitstellung und Vorhersagedienst

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

In den Kapiteln 4 bis 6 haben wir die Überlegungen zur Entwicklung eines ML-Modells erörtert, von der Erstellung von Trainingsdaten über die Extraktion von Merkmalen und die Entwicklung des Modells bis hin zur Erstellung von Metriken zur Bewertung dieses Modells. Diese Überlegungen bilden die Logik des Modells - eine Anleitung, wie man von den Rohdaten zu einem ML-Modell kommt, wie in Abbildung 7-1 dargestellt. Die Entwicklung dieser Logik erfordert sowohl ML-Kenntnisse als auch Fachwissen. In vielen Unternehmen ist dies der Teil des Prozesses, der von den ML- oder Data Science-Teams übernommen wird.

Abbildung 7-1. Verschiedene Aspekte, die die Logik des ML-Modells ausmachen

In diesem Kapitel werden wir einen weiteren Teil des iterativen Prozesses besprechen: die Bereitstellung deines Modells. "Bereitstellen" ist ein weiter Begriff, der im Allgemeinen bedeutet, dass dein Modell läuft und zugänglich ist. Während der Modellentwicklung läuft dein Modell normalerweise in einer Entwicklungsumgebung.¹ Um eingesetzt zu werden, muss dein Modell die Entwicklungsumgebung verlassen. Dein Modell kann in einer Staging-Umgebung zum Testen oder in einer Produktionsumgebung für deine Endnutzer bereitgestellt ...