Khắc phục tình trạng model bị cũ trong các pipeline Machine Learning

Độ tin cậy của model trong machine learning không chỉ nằm ở hiệu năng mà còn ở các yếu tố như dữ liệu và môi trường, độ trễ (latency), và tốc độ của model. Ba loại kiểm thử quan trọng cho độ tin cậy của model là unit test, integration test, và smoke test. Model bị cũ (model staleness) xảy ra khi hiệu năng giảm dần theo thời gian do thay đổi của dữ liệu hoặc môi trường.

Câu hỏi: Hành động nào sau đây có thể giúp khắc phục tình trạng model bị cũ? (Chọn tất cả phương án đúng)

Bài tập này là một phần của khóa học

Phát triển mô hình Machine Learning cho môi trường sản xuất

Xem khóa học

Bài tập tương tác thực hành

Biến lý thuyết thành hành động với một trong các bài tập tương tác của chúng tôi

Bắt đầu bài tập

Bài tập này là một phần của khóa học

Phát triển mô hình Machine Learning cho môi trường sản xuất

SkillTag.level.intermediateSkillTag.label

4.8+

Bắt đầu khóa học miễn phí

Chương này sẽ trang bị cho bạn kỹ năng và kiến thức để đưa các mô hình Machine Learning từ giai đoạn nghiên cứu và phát triển sang môi trường sản xuất. Bạn sẽ học về quy trình chuyển từ nguyên mẫu nghiên cứu thành hệ thống đáng tin cậy, có khả năng mở rộng và dễ bảo trì.

Exercise 1: Áp dụng tư duy MLOps Exercise 2: Khía cạnh quan trọng của MLOps là gì?Exercise 3: Nợ kỹ thuật là gì?Exercise 4: Viết mã ML dễ bảo trì Exercise 5: Quản lý phiên bản Exercise 6: Tổ chức mã nguồn Exercise 7: Viết tài liệu ML hiệu quả Exercise 8: Tại sao cần ghi chép phương pháp gán nhãn?Exercise 9: Thực hành tốt trong MLOps

Trong chương này, bạn sẽ tìm hiểu tầm quan trọng của khả năng tái lập trong Machine Learning, và cách đảm bảo mô hình của bạn có thể được tái lập và đáng tin cậy theo thời gian. Bạn sẽ khám phá các kỹ thuật và thực tiễn tốt nhất để đảm bảo khả năng tái lập cho mô hình.

Exercise 1: Thiết kế thí nghiệm có thể tái lập Exercise 2: Tính tái lập trong ML Exercise 3: Nhận diện các khía cạnh then chốt cho tính tái lập và độ tin cậy Exercise 4: Sắp xếp các yếu tố về độ tin cậy Exercise 5: Phân loại các khía cạnh của tính tái lập và thực hành ghi chép Exercise 6: Kỹ thuật đặc trưng (feature engineering)Exercise 7: Phân loại Mục tiêu & Kỹ thuật Feature Engineering Exercise 8: Nhận diện các kỹ thuật thao tác và biến đổi dữ liệu Exercise 9: Chọn đặc trưng (Feature selection)Exercise 10: Phiên bản hóa dữ liệu và mô hình Exercise 11: Model store Exercise 12: Phân phiên bản dữ liệu huấn luyện Exercise 13: Đảm bảo khả năng tái lập

Ở Chương 3, bạn sẽ xem xét những thách thức khi triển khai mô hình Machine Learning vào môi trường sản xuất. Bạn sẽ học về các cách tiếp cận để triển khai mô hình ML trong sản xuất và chiến lược giám sát, vận hành mô hình ML sau khi đưa vào sản xuất.

Exercise 1: Đóng gói mô hình ML Exercise 2: Mục tiêu của tuần tự hóa và đóng gói bằng container Exercise 3: Thứ tự đóng gói model Exercise 4: Khả năng mở rộng Exercise 5: Mở rộng quy mô Exercise 6: Độ phức tạp của mô hình Exercise 7: Phân loại kỹ thuật mở rộng (scaling)Exercise 8: Tự động hóa Exercise 9: Lợi ích của continuous delivery Exercise 10: Các bước CI/CD Exercise 11: Đưa mô hình ML vào môi trường production

Trong chương cuối, bạn sẽ học về các cách kiểm thử pipeline Machine Learning và đảm bảo chúng hoạt động đúng như mong đợi. Bạn sẽ hiểu tầm quan trọng của việc kiểm thử pipeline ML và các kỹ thuật để kiểm thử, xác thực pipeline ML.

Exercise 1: Độ tin cậy của mô hình Exercise 2: Phân loại chiến lược kiểm thử cho tính sẵn sàng và lỗi thời của ML pipeline Exercise 3: Khắc phục tình trạng model bị cũ trong các pipeline Machine Learning

Bài tập hiện tại

Exercise 4: Kiểm thử dữ liệu Exercise 5: Chọn đúng bài kiểm thử Exercise 6: Kiểm tra tính nhất quán Exercise 7: Kiểm thử mô hình Exercise 8: Dự đoán giá trị vòng đời khách hàng Exercise 9: Phân loại công bằng Exercise 10: Kiểm thử ML pipelines Exercise 11: Chúc mừng!