W pierwszym rozdziale dowiesz się, dlaczego firmy powinny monitorować swoje modele uczenia maszynowego w środowisku produkcyjnym. Poznasz idealny przepływ pracy związany z monitorowaniem oraz kroki, które się na niego składają, a także wyzwania, z jakimi systemy monitorowania mogą się mierzyć w produkcji.

Dlaczego warto monitorować swój model

Dlaczego modele zawodzą?

Korzyści z systemów monitorowania

Idealny przepływ pracy monitorowania

Dlaczego monitorowanie KPI jest ważne

Idealny przepływ pracy przy monitorowaniu

Proces monitorowania w praktycznym scenariuszu

Wyzwania związane z monitorowaniem modeli uczenia maszynowego

Opóźniony ground truth

Przesunięcie kowariancji a dryft konceptualny

Czym jest monitorowanie modeli ML?

W rozdziale 2 odkryjesz kluczowe znaczenie monitorowania wydajności w niezawodnym systemie monitorowania. Przyjrzymy się typowym wyzwaniom występującym w rzeczywistych środowiskach produkcyjnych, takim jak dostępność danych referencyjnych (ang. ground truth). Pod koniec rozdziału będziesz wiedzieć, jak postępować w sytuacjach, gdy dane referencyjne są opóźnione lub niedostępne – z wykorzystaniem algorytmów estymacji wydajności.

Monitorowanie wydajności technicznej bezpośrednio

Dlaczego wydajność jest najważniejsza?

Różne rodzaje przesunięcia kowariancji

Dostępność danych referencyjnych

Czy estymacja wydajności jest wymagana?

Monitorowanie wydajności w środowisku produkcyjnym

Estymacja wydajności

Zagadnienia dotyczące CBPE

Estymacja wydajności w środowisku produkcyjnym

Algorytmy do estymacji wydajności

Teoretyczne podstawy monitorowania

Znasz już podstawy przesunięcia kowariancji i dryfu konceptualnego w środowisku produkcyjnym – czas zagłębić się w temat. Pod koniec tego rozdziału poznasz różne sposoby wykrywania tych zjawisk i radzenia sobie z nimi w rzeczywistych scenariuszach.

Czym jest przesunięcie kowariancji?

Zamienione cechy

Metoda wykrywania dryfu

Jak wykrywać przesunięcie kowariancyjne

Subtelne zmiany

Opcje

Prawda

Fałsz

Różne metody

Czym jest dryf konceptu?

Rodzaj dryfu koncepcji

Interakcja dryfu konceptu i przesunięcia kowariancji

Jak radzić sobie z dryfem konceptu?

Adaptacja w czasie rzeczywistym

Wykrywanie i rozwiązywanie dryftu konceptu

Podsumowanie

Wykrywanie przesunięcia kowariancji i dryfu konceptualnego

Aby zapewnić długoterminowy sukces modeli uczenia maszynowego, kluczowe jest zrozumienie, jak skutecznie monitorować je w środowisku produkcyjnym. W miarę jak uczenie maszynowe zyskuje coraz szersze zastosowanie w biznesie, data science po wdrożeniu staje się ważną dziedziną. Ten kurs omawia wszystkie niezbędne koncepcje związane z monitorowaniem systemów uczenia maszynowego w produkcji – po to, by utrzymać wartość biznesową, ograniczyć ryzyko awarii i zwiększyć przejrzystość działania modeli.

<h2> Koncepcje monitorowania uczenia maszynowego</h2>
Modele uczenia maszynowego wpływają na coraz więcej decyzji w świecie rzeczywistym. Modele te wymagają monitorowania, aby zapobiec awariom i zapewnić, że przynoszą wartość biznesową Twojej firmie. Ten kurs wprowadzi Cię w podstawowe koncepcje tworzenia solidnego systemu monitorowania modeli w środowisku produkcyjnym.
<br><br>
<h2>Odkryj idealny proces monitorowania</h2>
Kurs zaczyna się od planu tego, od czego zacząć monitorowanie w środowisku produkcyjnym i jak wokół niego zorganizować procesy. Omówimy podstawowy przebieg pracy, pokazując, jak wykrywać problemy, identyfikować ich przyczyny źródłowe i rozwiązywać je na przykładach z życia wziętych.
<br><br>
<h2>Poznaj wyzwania związane z monitorowaniem modeli w środowisku produkcyjnym</h2>
Wdrożenie modelu na produkcję to dopiero początek cyklu życia modelu. Nawet jeśli działa dobrze podczas tworzenia, może zawieść z powodu stale zmieniających się danych produkcyjnych. W tym kursie poznasz trudności związane z monitorowaniem skuteczności modelu, zwłaszcza gdy nie ma danych referencyjnych.
<br><br>
<h2> Zrozum szczegółowo przesunięcie kowariancji i dryf pojęciowy</h2>
Ostatnia część tego kursu skupi się na dwóch rodzajach cichej awarii modelu. Zrozumiesz szczegółowo różne rodzaje przesunięć współzmiennych i dryfu pojęcia, ich wpływ na wydajność modelu oraz to, jak je wykrywać i im zapobiegać.

MLOps Concepts

Supervised Learning with scikit-learn

Poznaj wyzwania monitorowania modeli ML w produkcji, w tym dryf danych i sposoby na degradację modeli.

Monitorowanie modeli uczenia maszynowego – podstawowe koncepcje

Poznaj wyzwania monitorowania modeli machine learning w produkcji, w tym drift danych i konceptu, oraz metody przeciwdziałania degradacji modelu.

Inżynier uczenia maszynowego

Uczenie maszynowe w produkcji w Pythonie

Ponowne trenowanie modelu to kosztowne rozwiązanie w przypadku dużych modeli i zbiorów danych

Okresowe ponowne trenowanie pozwala utrzymać model na bieżąco z najnowszymi wzorcami

Cykliczny dryft konceptu może występować podczas takich wydarzeń jak Black Friday czy Boże Narodzenie

Uczenie online jest odporne na zaszumione dane, co może prowadzić do poprawy modelu

Metody oparte na błędach nie wymagają dostępu do danych referencyjnych (ground truth)

Wykrywanie dryftu konceptu za pomocą nowego modelu trenowanego na danych testowych i produkcyjnych to tanie rozwiązanie

Wykrywanie i rozwiązywanie dryftu konceptu

Monitorowanie modeli uczenia maszynowego – podstawowe koncepcje

Interaktywne ćwiczenie praktyczne