Повторное обучение модели с использованием хранилища метаданных
В предыдущем уроке вы узнали о ключевой роли хранилища метаданных в обеспечении полной автоматизации MLOps-пайплайнов. Оно позволяет автоматически отслеживать работу сервиса предсказаний и логировать метрики оценки, которые помогают обнаруживать снижение производительности со временем. Вы также узнали о триггерном повторном обучении и важности обновления моделей для учёта дрейфа.
В этом упражнении вы применёте полученные знания на практике: расставьте шаги в правильном порядке, чтобы показать, как хранилище метаданных и триггерное повторное обучение используются для автоматического обновления моделей и поддержания оптимальной производительности.
Это упражнение является частью курса
Полностью автоматизированный MLOps
Практическое интерактивное упражнение
Превратите теорию в практику с помощью одного из наших интерактивных упражнений
Начать упражнение