ML：MLOps系列講解之《基于ML的軟體的三個層次》解讀
導讀：您將了解基于ML的軟體的三個核心元素——資料、ML模型和代碼，特別地，我們會將討論：
(1)、資料工程管道
(2)、ML管道和ML作業流，
(3)、模型服務模式和部署策略
ML/AI迅速被新的應用程式和行業采用，如前所述，機器學習專案的目標是利用收集到的資料并應用機器學習演算法來建立一個統計模型，然而，構建成功的基于ML的軟體專案仍然很困難，因為每個基于ML的軟體都需要管理三個主要資產：資料、模型和代碼，機器學習模型操作化管理—MLOps，作為DevOps的擴展，圍繞設計、構建和部署機器學習模型到生產中建立有效的實踐和流程，我們在這里描述了在基于機器學習的軟體開發中所涉及的基本技術方法，即資料工程、ML模型工程和軟體發布工程，
目錄
《基于ML的軟體的三個層次》解讀
1、Data： Data Engineering Pipelines
1.1、Data Ingestion
1.2、Exploration and Validation
1.3、Data Splitting
2、Model： Machine Learning Pipelines
2.1、Model Training
2.2、Model Evaluation
2.3、Model Testing
2.4、Model Packaging
2.5、Different forms of ML workflows不同形式的機器學習作業流程
2.6、ML Model serialization formats 機器學習模型序列化格式
3、Code： Deployment Pipelines
3.1、Model Serving Patterns模型服務模式
3.2、Deployment Strategies部署策略
相關文章
ML：MLOps系列講解之《基于ML的軟體的三個層次》解讀
ML：MLOps系列講解之《基于ML的軟體的三個層次之01 Data： Data Engineering Pipelines》解讀
ML：MLOps系列講解之《基于ML的軟體的三個層次之02 Model： Machine Learning Pipelines 2.1~2.4》解讀
ML：MLOps系列講解之《基于ML的軟體的三個層次之02 Model： Machine Learning Pipelines——2.5 Different forms of ML workflows不同形式的機器學習作業流程》解讀
ML：MLOps系列講解之《基于ML的軟體的三個層次之02 Model： Machine Learning Pipelines——2.6 ML Model serialization formats 機器學習模型序列化格式》解讀
ML：MLOps系列講解之《基于ML的軟體的三個層次之03 Code： Deployment Pipelines》解讀
《基于ML的軟體的三個層次》解讀
1、Data： Data Engineering Pipelines
1.1、Data Ingestion
1.2、Exploration and Validation
1.3、Data Splitting
2、Model： Machine Learning Pipelines
2.1、Model Training
(1)、特征工程
(2)、模型工程的作業流
2.2、Model Evaluation
2.3、Model Testing
2.4、Model Packaging
2.5、Different forms of ML workflows不同形式的機器學習作業流程
2.5.1、ML模型訓練
2.5.2、ML模型預測
2.5.3、Model Serving Patterns—兩個維度得到四種 ML架構模式
2.5.3.1、架構模式之Forecast
2.5.3.2、架構模式之Web-Service
2.5.3.3、架構模式之Online Learning
2.5.3.4、架構模式之AutoML
2.6、ML Model serialization formats 機器學習模型序列化格式
2.6.1、Language-agnostic exchange formats語言無關交換格式
2.6.1.1、合并是匯出ML模型的最簡單方法
2.6.1.2、PMML是一種基于XML的模型服務格式
2.6.1.3、PFA(Portable Format for Analytics，便攜式分析格式)旨在替代 PMML
2.6.1.4、ONNX(Open Neural Network eXchange，開放神經網路交換)是一種獨立于 ML 框架的檔案格式
2.6.2、Vendor-specific exchange formats供應商特定的交換格式
3、Code： Deployment Pipelines
3.1、Model Serving Patterns模型服務模式
3.1.1、Model-as-Service模型即服務
3.1.2、Model-as-Dependency模型即依賴
3.1.3、Precompute Serving Pattern 預計算服務模式
3.1.4、Model-on-Demand按需模型
3.1.5、Hybrid-Serving混合服務(聯邦學習)
3.2、Deployment Strategies部署策略
3.2.1、Deploying ML Models as Docker Containers將ML模型部署為Docker容器
3.2.2、Deploying ML Models as Serverless Functions將ML模型部署為無服務器函式
轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/420452.html
標籤：AI