نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیویی برای نمایش وجود ندارد.
توضیحات دوره:
در این جلسه ، ما در مورد چرخه پروژه علوم داده صحبت خواهیم کرد که شامل پنج مرحله اصلی است - تعریف اهداف پروژه شما ، جمع آوری و تمیز کردن داده های شما ، آموزش و آزمایش یک مدل پیش بینی ، استقرار و نظارت بر آن. خواه ترجمه خودکار باشد ، تکمیل ، تشخیص چهره یا صدا ، سیستم های توصیه یا رانندگی مستقل ، سیستم های مبتنی بر هوش مصنوعی تقریباً در همه جنبه های زندگی روزمره ما یافت می شوند. اگرچه توسعه سیستمهای یادگیری در بین شرکتها متداول شده است و روشهای زیادی در اطراف آنها ایجاد شده است ، اما هنوز هم در ایجاد این سیستمها در یک محیط تولید - که مسئولیت آنها چیست و از همه مهمتر چه کسی آنها را کنترل می کند ، سردرگمی زیادی ایجاد می کند. به محض استفاده از مدل ها. در این جلسه ، ما در مورد چرخه پروژه علوم داده صحبت خواهیم کرد که شامل پنج مرحله اصلی است - تعریف اهداف پروژه شما ، جمع آوری و تمیز کردن داده های شما ، آموزش و آزمایش یک مدل پیش بینی ، استقرار آن در یک محیط تولید و نظارت بر اقدامات و تصمیمات آن. سپس ما روی آخرین مرحله فراموش شده متمرکز خواهیم شد که برای تیمهای DevSecOps بسیار مهم است و خواهیم دید که چرا نظارت بر این سیستم ها برای سازمانهایی که از نمونه های واقعی سالهای اخیر سیستم های مبتنی بر هوش مصنوعی استفاده می کنند و هنگام استقرار بدون هیچ نظارتی دیوانه بودند ، بسیار مهم است. .
سرفصل ها و درس ها
استقرار مرحله نهایی نیست: نظارت بر مدل های یادگیری ماشین در محیط های تولید
Deployment Isn't the Final Step: Monitoring Machine Learning Models in Production Environments
-
استقرار مرحله نهایی نیست: نظارت بر مدل های یادگیری ماشین در محیط های تولید
Deployment Isn't the Final Step: Monitoring Machine Learning Models in Production Environments
نمایش نظرات