A csapat Adattudomány folyamat életciklusának üzembe helyezési szakasza
Ez a cikk a Team Adattudomány Process (TDSP) üzembe helyezésével kapcsolatos célokat, feladatokat és termékeket ismerteti. Ez a folyamat egy ajánlott életciklust biztosít, amellyel csapata strukturálhatja adatelemzési projektjeit. Az életciklus a csapat által végrehajtott fő fázisokat vázolja fel, gyakran iteratív módon:
- Üzleti ismeretek
- Adatgyűjtés és -megértés
- Modellezés
- Üzembe helyezés
- Ügyfélfogadás
Íme a TDSP életciklusának vizuális ábrázolása:
Cél
Az üzembe helyezési szakasz célja, hogy az ügyfelek végső elfogadása érdekében adatfolyammal rendelkező modelleket helyezzen üzembe egy éles vagy éles környezetben.
A feladat befejezése
Ennek a fázisnak a fő feladata a modell üzembe állítása. Telepítse a modellt és a folyamatot egy éles vagy éles környezetbe alkalmazáshasználat céljából.
Modell üzembe helyezése
Miután rendelkezik olyan modellkészlettel, amely jól teljesít, a csapata üzembe helyezheti őket más alkalmazások számára. Az üzleti követelményektől függően az előrejelzések valós időben vagy kötegelt alapon készülnek. A modellek üzembe helyezéséhez api-felülettel teheti elérhetővé őket. Egy felülettel a felhasználók egyszerűen felhasználhatják a modellt különböző alkalmazásokból, például:
- Webhelyek
- Számolótáblák
- Irányítópultok
- Üzletági alkalmazások
- Háttéralkalmazások
Példák az Azure Machine Tanulás-nal történő modell-üzembe helyezésre: Gépi tanulási modellek üzembe helyezése az Azure-ban. Ajánlott eljárás a monitorozás beépítése az éles modellbe és az üzembe helyezendő adatfolyamba. Ez a gyakorlat segít a rendszerállapot későbbi jelentésében és hibaelhárításában.
Integrálás az MLflow-jal
A szakasz támogatásához az alábbi Azure Machine-Tanulás funkciókat használhatja:
Modellkezelés: Az üzembe helyezés előkészítéséhez egy modellt éles vagy üzemeltetési környezetbe kell helyeznie. Az MLflow üzembe helyezésre kész modelleket kezel és verzióz, ami segít az üzembe helyezés javításában.
Modellkiszolálás és üzembe helyezés: Az MLflow modellkiszolgáló funkciói megkönnyítik az üzembe helyezési folyamatot, így könnyen kiszolgálhatja a modelleket különböző környezetekben.
Artifacts
Ebben a szakaszban a csapata a következőket biztosítja:
Állapot irányítópult , amely megjeleníti a rendszer állapotát és a főbb metrikákat. Javasoljuk, hogy a Power BI használatával hozzon létre egy irányítópultot.
Végső modellezési jelentés az üzembe helyezés részleteivel.
Végső megoldásarchitektúra-dokumentum.
Lektorált szakirodalom
A kutatók tanulmányokat tesznek közzé a TDSP-ről a lektorált szakirodalomban. Az idézetek lehetőséget nyújtanak a TDSP-hez hasonló alkalmazások vagy hasonló ötletek vizsgálatára, beleértve az üzembe helyezés életciklusának fázisát is.
Közreműködők
Ezt a cikket a Microsoft tartja karban. Eredetileg a következő közreműködők írták.
Fő szerző:
- Mark Tabladillo | Vezető felhőmegoldás-tervező
A nem nyilvános LinkedIn-profilok megtekintéséhez jelentkezzen be a LinkedInbe.
Kapcsolódó erőforrások
Ezek a cikkek a TDSP életciklusának további szakaszait ismertetik:
Visszajelzés
https://aka.ms/ContentUserFeedback.
Hamarosan elérhető: 2024-ben fokozatosan kivezetjük a GitHub-problémákat a tartalom visszajelzési mechanizmusaként, és lecseréljük egy új visszajelzési rendszerre. További információ:Visszajelzés küldése és megtekintése a következőhöz: