نویسنده(های): ریچارد وارپام
در ابتدا منتشر شد به سمت هوش مصنوعی.
4 نکته که باید قبل از استقرار خود در نظر داشته باشید ML مدل ها
این داستان فقط برای اعضا در اختیار ماست. برای دسترسی به تمام Medium ارتقا دهید.
اگر عضو نیستید، مقاله کامل را اینجا بخوانید.
به عنوان یک مهندس ابر، اخیراً با تعدادی از تیم های پروژه همکاری کرده ام و سهم اصلی من در این تیم ها انجام وظایف DevOps مورد نیاز در GCP Cloud بوده است.
برای کسب اطلاعات بیشتر در مورد من، مطالب زیر را بخوانید:
آیا من در جهت درست حرکت می کنم؟
medium.com
صرف نظر از پروژه، ممکن است توسعه نرم افزار یا ML ساختمان نمونه. هدف اصلی من به عنوان یک مهندس DevOps Cloud دستیابی به چهار هدف است. آنها چه هستند؟
قابلیت اطمینان مقیاس پذیری امنیت و نگهداری
در این مقاله، چهار نکته را که باید در هنگام استقرار مدل‌های ML خود در تولید به خاطر بسپارید، برجسته می‌کنم زیرا چارچوبی که ارائه می‌دهم به شما کمک می‌کند تا به هر چهار هدفی که قبلا توضیح دادم دست یابید.
اول از همه، چگونه می توانیم از قابلیت اطمینان مدل های یادگیری ماشین اطمینان حاصل کنیم؟ من می گویم، از سیستم های کنترل نسخه استفاده کنید.
اما چگونه انجام می دهد؟ برای درک بهتر این موضوع، اجازه دهید سیستم های کنترل نسخه را تعریف کنیم. کنترل نسخه برای پیگیری نسخه های مختلف نرم افزار یا مدل های شما استفاده می شود.
بنابراین، اگر بتوانیم این نسخه‌ها را در زمانی که یک نسخه پس از تولید از کار می‌افتد ردیابی و کنترل کنیم، همچنان می‌توانیم از پایدارترین… وبلاگ کامل را به صورت رایگان در Medium بخوانید.
منتشر شده از طریق به سمت هوش مصنوعی
منبع: https://towardsai.net/p/machine-learning/how-to-deploy-ml-models-in-production-flawlessly-2