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
Na jakim etapie potoku uzupełnia się brakujące wartości i koduje kolumny kategoryczne?
- Przygotowanie danych
- Ocena modelu
- Wdrożenie
- 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.
Które czynności należą do etapu przygotowania danych?
- Uzupełnianie brakujących wartości w zbiorze
- Tworzenie nowych cech z surowych kolumn
- Hostowanie modelu za endpointem
- Alarmowanie, gdy jakość predykcji dryfuje
- 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.
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.
