Bitzu

Machine Learning Associate · MLOps, środowiska ML i AutoML

Strategia MLOps w Databricks

Najważniejsze

  • Oddzielne środowiska dev, staging i prod (każde z własnym katalogiem Unity Catalog).
  • Kod w Git, dane i cechy w zarządzanych tabelach Delta, a każdy przebieg i model śledzony w MLflow.
  • Testy na każdym etapie, promowanie kodu między środowiskami, oznaczanie modeli aliasami takimi jak Champion i Challenger oraz monitorowanie dryfu z ewentualnym ponownym trenowaniem.

Źródło: https://docs.databricks.com/aws/en/machine-learning/mlops/mlops-workflow

Przykładowe pytania

Jednokrotny wybór

Które narzędzie zapisuje parametry, metryki i artefakty każdego przebiegu treningu, aby wyniki dało się odtworzyć i porównać?

  1. MLflow Tracking
  2. Foldery Git
  3. Historia tabeli Delta
  4. Lineage w Unity Catalog
Pokaż odpowiedź

Odpowiedź: A. MLflow Tracking

MLflow Tracking zapisuje parametry, metryki, migawki kodu i artefakty dla każdego przebiegu. Git wersjonuje kod, tabele Delta przechowują dane, a Unity Catalog zarządza zasobami, ale żadne z nich nie śledzi przebiegów.

Zaznacz wszystkie poprawne

Które praktyki należą do strategii MLOps?

  1. Oddzielne środowiska dev, staging i prod
  2. Testy jednostkowe i integracyjne przy każdej zmianie
  3. Bezpośrednia edycja notebooków produkcyjnych dla szybkich poprawek
  4. Monitorowanie dryfu danych i jakości predykcji
  5. Nadpisywanie danych treningowych bez wersji
Pokaż odpowiedź

Odpowiedź: A. Oddzielne środowiska dev, staging i prod, B. Testy jednostkowe i integracyjne przy każdej zmianie, D. Monitorowanie dryfu danych i jakości predykcji

Oddzielne środowiska i automatyczne testy to podstawa, podobnie jak monitorowanie dryfu. Bezpośrednia edycja kodu produkcyjnego i brak wersjonowania danych niszczą powtarzalność i kontrolę.

Prawda czy fałsz

Prawda czy fałsz: w zalecanej konfiguracji analitycy danych zwykle mają pełny dostęp do zapisu i zasobów obliczeniowych w środowisku produkcyjnym.

Pokaż odpowiedź

Odpowiedź: Fałsz

Fałsz. Produkcja jest ściśle kontrolowana i należy do inżynierów ML; analitycy zwykle pracują w dev z prawem zapisu, a do danych prod mają co najwyżej dostęp tylko do odczytu.

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 Machine Learning Associate w tym module