Modellomträning med metadatalagret

I föregående lektion lärde du dig om den viktiga roll som metadatalagret spelar för att möjliggöra full automatisering av MLOps-pipelines. Det möjliggör automatisk övervakning av prediktion­stjänstens funktionalitet och loggar utvärderingsmätvärden som hjälper till att upptäcka prestandaförsämring över tid. Du lärde dig också om triggerbaserad omträning och vikten av att uppdatera modeller för att hantera drift.

I den här övningen tillämpar du dina kunskaper genom att ordna en serie steg som visar hur metadatalagret och triggerbaserad omträning kan användas för att uppdatera modeller automatiskt och bibehålla optimal prestanda.