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?

Opcje

Prawda

Fałsz

Monitorowanie wydajności w środowisku produkcyjnym

Estymacja wydajności

Zagadnienia dotyczące CBPE

Estymacja wydajności w środowisku produkcyjnym

CBPE

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

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

Monitorowanie wydajności stanowi podstawę procesu monitorowania

Prognozowanie przyjazdów samochodów to przykład sytuacji, w której dane referencyjne są dostępne natychmiast

Rzeczywista wydajność jest obliczana na podstawie danych referencyjnych

Wycena ubezpieczeń to przykład sytuacji, w której dane referencyjne są dostępne natychmiast

Przesunięcia bliskie granicy decyzyjnej nie mają negatywnego wpływu na wydajność

Jeśli dane referencyjne w środowisku produkcyjnym są niedostępne, monitorowanie wydajności nie jest konieczne

Monitorowanie wydajności w środowisku produkcyjnym

Monitorowanie modeli uczenia maszynowego – podstawowe koncepcje

Interaktywne ćwiczenie praktyczne