Bitzu

Machine Learning Associate · Śledzenie MLflow i rejestr modeli

Deploy code a deploy models

Najważniejsze

  • Deploy code: ten sam kod treningowy jest promowany dev, staging, prod; model trenuje się w każdym środowisku.
  • Pasuje do ograniczonych danych prod i zrecenzowanego automatycznego retreningu.
  • Deploy models: trening raz w dev, potem promocja artefaktu modelu.
  • Pasuje, gdy trening jest bardzo drogi lub trudny do odtworzenia; automatyzacja retreningu i pipeline'y pomocnicze wymagają uwagi.
  • Databricks zaleca deploy code w większości sytuacji.

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

Przykładowe pytania

Jednokrotny wybór

Co przechodzi między środowiskami we wzorcu deploy code?

  1. Tylko wytrenowany artefakt modelu
  2. Kod treningowy, który potem działa w każdym środowisku
  3. Tylko kopie surowych danych
  4. Tylko konfiguracja klastra
Pokaż odpowiedź

Odpowiedź: B. Kod treningowy, który potem działa w każdym środowisku

Deploy code promuje kod treningowy (i pipeline'y), a model trenuje się w każdym środowisku. Promowanie wytrenowanego artefaktu to wzorzec deploy models.

Zaznacz wszystkie poprawne

Które są zaletami wzorca deploy code?

  1. Działa, gdy dostęp do danych produkcyjnych jest ograniczony
  2. Automatyczny retrening uruchamia zrecenzowany, zatwierdzony kod
  3. Model jest trenowany tylko raz
  4. Pipeline'y pomocnicze podróżują z kodem przez środowiska
  5. Nie są potrzebne CI/CD ani repozytoria
Pokaż odpowiedź

Odpowiedź: A. Działa, gdy dostęp do danych produkcyjnych jest ograniczony, B. Automatyczny retrening uruchamia zrecenzowany, zatwierdzony kod, D. Pipeline'y pomocnicze podróżują z kodem przez środowiska

Deploy code działa, gdy dostęp do danych prod jest ograniczony, i czyni automatyczny retrening bezpieczniejszym, bo kod jest recenzowany. Jednorazowy trening to cecha deploy models.

Prawda czy fałsz

Deploy models to wzorzec, który Databricks zaleca w większości sytuacji.

Pokaż odpowiedź

Odpowiedź: Fałsz

Fałsz. Databricks zaleca deploy code w większości sytuacji; deploy models pasuje np. przy bardzo drogim treningu.

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