Phục vụ cho việc Học máy có tính khai báo | Liên tục

Phục vụ cho việc Học máy có tính khai báo | Liên tục

Mục lục:

1. Giải thích về ML Ops và thách thức hiện tại 2. Phương pháp thiết lập hạ tầng đơn giản hơn với ML Ops

• 2.1 Hệ thống trừu tượng hóa
• 2.2 Các loại dữ liệu đầu vào và đầu ra
• 2.3 Kết hợp dữ liệu kho dữ liệu và dự đoán 3. Giới thiệu về Continual - nền tảng Operational AI
• 3.1 Continual và hướng tiếp cận khai thác dữ liệu kho dữ liệu
• 3.2 Tạo các thông số quyết định và dự đoán
• 3.3 Môi trường hoạt động và quản lý mô hình 4. Những lợi ích khi sử dụng hệ thống ML Ops trừu tượng hóa 5. Vấn đề phức tạp trong việc triển khai ML Ops trừu tượng hóa
• 5.1 Xử lý phát hiện bất thường trong dự đoán
• 5.2 Thay đổi, cập nhật và duy trì mô hình
• 5.3 Lưu trữ và quản lý dữ liệu dự đoán 6. Xây dựng hệ thống ML Ops trừu tượng hóa trong môi trường doanh nghiệp
• 6.1 Bước 1: Xác định mô hình thích hợp
• 6.2 Bước 2: Xây dựng và triển khai dự đoán
• 6.3 Bước 3: Theo dõi và cập nhật dự đoán 7. Tổng kết và kết luận

Bài viết: Xây dựng hệ thống ML Ops trừu tượng hóa cho việc triển khai mô hình dự đoán trong doanh nghiệp

Phân loại: Hướng dẫn

:memo: Đầu vào và đầu ra thông qua dự đoán trong Machine Learning Operations (ML Ops):

Trong quá trình triển khai mô hình Machine Learning, việc xác định rõ các yếu tố đầu vào và đầu ra là rất quan trọng. Đầu vào có thể là các dữ liệu như bài viết, ảnh, số liệu thống kê hoặc thậm chí là các chuỗi thời gian. Đây là việc điều chỉnh trọng tâm và nắp điều chỉnh theo yêu cầu của công việc dự đoán cụ thể.

1️⃣ Đầu vào vào công nghệ dự đoán: Trong trường hợp các mô hình dự đoán trong lĩnh vực Machine Learning, chúng ta có thể phân biệt các đầu vào như sau:

• Dữ liệu dạng văn bản (Text Data): Đầu vào là các đoạn văn bản được sử dụng để dự đoán các vấn đề như dịch máy, phân loại văn bản, hoặc trả lời câu hỏi về hình ảnh.

• Dữ liệu hồi quy (Regression Data): Đầu vào là dữ liệu định lượng, điển hình là số. Ví dụ, chúng ta có thể sử dụng dữ liệu về tuổi, thu nhập, v.v. để dự đoán giá trị của một biến liên tục.

• Dữ liệu phân vùng (Categorical Data): Đầu vào là các giá trị rời rạc, ví dụ như loại sản phẩm, danh sách trạng thái công việc, hoặc nhãn của hình ảnh.

• Dữ liệu chuỗi thời gian (Time Series Data): Đầu vào là chuỗi các giá trị thay đổi theo thời gian như dữ liệu tài chính, dữ liệu giao thông, hoặc dữ liệu thời tiết.

• Dữ liệu hình ảnh (Image Data): Đầu vào là các hình ảnh trong hình ảnh khối, trong video, hoặc trong các tệp hình ảnh.

2️⃣ Đầu ra từ công nghệ dự đoán: Khi có đầu vào, mô hình dự đoán sẽ cung cấp dữ liệu đầu ra dựa trên việc học từ các dữ liệu đầu vào đó. Một số loại đầu ra thông thường trong ML Ops bao gồm:

• Dự đoán dạng văn bản (Text Prediction): Đầu ra của mô hình sẽ là văn bản được tạo ra dựa trên việc học từ dữ liệu đầu vào. Ví dụ, mô hình dịch máy có thể tạo ra dịch đoạn văn bản từ dữ liệu văn bản đầu vào.

• Dự đoán hồi quy (Regression Prediction): Đầu ra của mô hình là một giá trị liên tục. Ví dụ, mô hình hồi quy có thể dự đoán giá trị của một biến liên tục dựa trên dữ liệu đầu vào.

• Dự đoán phân vùng (Categorical Prediction): Đầu ra của mô hình là một giá trị rời rạc, ví dụ như loại sản phẩm hoặc nhãn của một hình ảnh dựa trên dữ liệu đầu vào.

• Dự đoán chuỗi thời gian (Time Series Prediction): Đầu ra của mô hình là một chuỗi các giá trị thay đổi theo thời gian. Ví dụ, mô hình dự đoán chuỗi thời gian có thể dự đoán giá trị tương lai của một cổ phiếu dựa trên dữ liệu từ quá khứ.

• Dự đoán hình ảnh (Image Prediction): Đầu ra của mô hình là hình ảnh được tạo ra dựa trên việc học từ dữ liệu hình ảnh đầu vào. Ví dụ, mô hình sinh hình ảnh có thể tạo ra hình ảnh mới dựa trên các mẫu từ tập dữ liệu đầu vào.

Trên cơ sở các loại dữ liệu đầu vào và đầu ra này, chúng ta có thể xác định và triển khai các mô hình dự đoán trong môi trường ML Ops một cách linh hoạt và tiện lợi.