Bitzu

AIF-C01 · Cykl życia ML, MLOps i metryki

Etapy potoku ML

Najważniejsze

  • 1) Zbieranie danych (np. do Amazon S3).
  • 2) Przygotowanie: czyszczenie, transformacje, inżynieria cech (SageMaker Data Wrangler w Canvas).
  • 3) Trenowanie modelu (zadania treningowe SageMaker lub dostrajanie modelu bazowego).
  • 4) Ocena na danych, których model nie widział.
  • 5) Wdrożenie na endpoint lub zadanie wsadowe.
  • 6) Monitorowanie na produkcji i powrót do początku, gdy jakość spada.

Źródło: https://docs.aws.amazon.com/sagemaker/latest/dg/pipelines.html

Przykładowe pytania

Jednokrotny wybór

Na jakim etapie potoku uzupełnia się brakujące wartości i koduje kolumny kategoryczne?

  1. Przygotowanie danych
  2. Ocena modelu
  3. Wdrożenie
  4. Monitorowanie
Pokaż odpowiedź

Odpowiedź: A. Przygotowanie danych

Czyszczenie i inżynieria cech należą do przygotowania danych. Trenowanie używa już przygotowanych danych, ocena mierzy wyniki, a wdrożenie udostępnia model.

Zaznacz wszystkie poprawne

Które czynności należą do etapu przygotowania danych?

  1. Uzupełnianie brakujących wartości w zbiorze
  2. Tworzenie nowych cech z surowych kolumn
  3. Hostowanie modelu za endpointem
  4. Alarmowanie, gdy jakość predykcji dryfuje
  5. Uruchamianie zadania treningowego na instancjach GPU
Pokaż odpowiedź

Odpowiedź: A. Uzupełnianie brakujących wartości w zbiorze, B. Tworzenie nowych cech z surowych kolumn

Obsługa brakujących wartości i tworzenie cech to przygotowanie. Hosting endpointu to wdrożenie, a śledzenie dryfu to monitorowanie.

Prawda czy fałsz

Po wdrożeniu modelu potok ML jest zakończony i nie są potrzebne kolejne etapy.

Pokaż odpowiedź

Odpowiedź: Fałsz

Fałsz. Wdrożone modele są monitorowane, a dryf lub nowe dane cofają zespół do przygotowania i ponownego trenowania.

Przećwicz 8 pytań z tego tematu w Bitzu

Krótkie lekcje, natychmiastowe wyjaśnienia i powtórki tego, w czym się mylisz. Za darmo na iOS i Androida.

Download on the App StoreGet it on Google Play

Więcej tematów AIF-C01 w tym module