Implementatiefase van de levenscyclus van het team Datawetenschap proces
In dit artikel worden de doelen, taken en producten beschreven die zijn gekoppeld aan de implementatie van het TDSP (Team Datawetenschap Process). Dit proces biedt een aanbevolen levenscyclus die uw team kan gebruiken om uw gegevenswetenschapprojecten te structuren. De levenscyclus bevat een overzicht van de belangrijkste fasen die uw team uitvoert, vaak iteratief:
- Bedrijfskennis
- Gegevens ophalen en begrijpen
- Modelleren
- Implementatie
- Klantacceptatie
Hier volgt een visuele weergave van de TDSP-levenscyclus:
Goal
Het doel van de implementatiefase is het implementeren van modellen met een gegevenspijplijn naar een productie- of productieachtige omgeving voor de uiteindelijke acceptatie van de klant.
De taak voltooien
De belangrijkste taak voor deze fase is het operationeel maken van het model. Implementeer het model en de pijplijn in een productie- of productieachtige omgeving voor toepassingsverbruik.
Een model operationeel maken
Nadat u een set modellen hebt die goed presteren, kan uw team ze operationeel maken zodat andere toepassingen kunnen worden gebruikt. Afhankelijk van de bedrijfsvereisten worden voorspellingen in realtime of op batchbasis gedaan. Als u modellen wilt implementeren, stelt u ze beschikbaar met een API-interface. Met een interface kunnen gebruikers het model eenvoudig gebruiken vanuit verschillende toepassingen, zoals:
- Websites
- Spreadsheets
- Dashboards
- Line-Of-Business-toepassingen
- Back-endtoepassingen
Zie Machine Learning-modellen implementeren in Azure voor voorbeelden van model operationalisatie met Azure Machine Learning. Het is een best practice om bewaking in te bouwen in het productiemodel en de gegevenspijplijn die u implementeert. Deze procedure helpt bij volgende systeemstatusrapportage en probleemoplossing.
Integreren met MLflow
Ter ondersteuning van deze fase kunt u de volgende Azure Machine Learning-functies opnemen:
Modelbeheer: Als u een implementatie wilt voorbereiden, plaatst u een model in een productie- of operationele omgeving. MLflow beheert modellen die gereed zijn voor implementatie en versies, wat helpt bij het verbeteren van de operationalisatie.
Modelservice en implementatie: de functies van het model van MLflow zorgen voor een eenvoudiger implementatieproces, zodat u eenvoudig modellen in verschillende omgevingen kunt bedienen.
Artifacts
In deze fase levert uw team het volgende:
Een statusdashboard met de systeemstatus en de belangrijkste metrische gegevens. U wordt aangeraden Power BI te gebruiken om een dashboard te maken.
Een definitief modelleringsrapport met implementatiedetails.
Een definitief document over de oplossingsarchitectuur.
Literatuur die door peers is beoordeeld
Onderzoekers publiceren studies over de TDSP in peer-review literatuur. De bronvermeldingen bieden een mogelijkheid om andere toepassingen of vergelijkbare ideeën voor de TDSP te onderzoeken, met inbegrip van de levenscyclusfase van de implementatie.
Medewerkers
Dit artikel wordt onderhouden door Microsoft. De tekst is oorspronkelijk geschreven door de volgende Inzenders.
Hoofdauteur:
- Mark Tabladillo | Senior Cloud Solution Architect
Als u niet-openbare LinkedIn-profielen wilt zien, meldt u zich aan bij LinkedIn.
Verwante resources
In deze artikelen worden de andere fasen van de TDSP-levenscyclus beschreven:
Feedback
https://aka.ms/ContentUserFeedback.
Binnenkort beschikbaar: In de loop van 2024 zullen we GitHub-problemen geleidelijk uitfaseren als het feedbackmechanisme voor inhoud en deze vervangen door een nieuw feedbacksysteem. Zie voor meer informatie:Feedback verzenden en weergeven voor