Продукт

  • Проблема. Какую проблему пытается решить приложение машинного обучения. Определите проблему так, чтобы у нее было решение.
  • Бизнес-цель. Метрика, от которой будет зависеть успех вашего проекта по машинному обучению. Создайте метрики, которые архивируют или не достигают цели.

Данные

  • Получить данные. Начните запись и хранение данных после того, как будет выбран продукт.
  • Обработка данных: обработка ваших данных таким образом, чтобы они были структурированы таким образом, чтобы облегчить последующие процессы машинного обучения. Очищайте и расширяйте, чтобы создать золотой стандарт.
  • Анализ данных. Предоставляет информацию и возможные направления для достижения вашей бизнес-цели с помощью приложения машинного обучения. Найдите идеи и потенциальные ловушки, скрытые в результатах.
  • Новые данные: в конечном итоге на основе прогнозов модели будут получены данные, которые можно будет проанализировать и вернуть в цикл для изменения или уточнения любых методов. Итерация с новыми данными.

Инжиниринг

  • Построить модель. Используйте обработанные и структурированные данные из предыдущих шагов для построения модели. Используйте золотой стандарт для обучения модели.
  • Тестовая модель: использование показателей для измерения производительности модели в наборе данных. Это первая оценка модели, которая может включать несколько итераций. Создайте метрики, определяющие успешность построенной модели.
  • Модель развертывания. Набор требований, которые необходимо выполнить, чтобы приложение машинного обучения можно было использовать в реальной или производственной среде. Включает в себя надежность модели, чтобы всегда возвращать прогноз, и отзывчивость, чтобы она могла возвращать прогноз в приемлемые сроки. Производство модели для общественного пользования.
  • Оценка модели. Оценка выполняется после того, как модель запущена и дает прогнозы на основе невидимых данных. Это даст ответ на вопрос, насколько хорошо приложение машинного обучения работает с реальными данными. Оцените модель на новых данных.

Полученные результаты

  • Вывод. После развертывания приложения машинного обучения результаты генерируются на основе вывода модели. Они могут взаимодействовать с моделью, где полученные оценки и новые данные могут использоваться для дальнейшей оптимизации модели. Взаимодействуйте со средой, предоставляйте новые данные для улучшения жизненного цикла машинного обучения.

Примеры сценариев могут быть вероятными кандидатами на применение жизненного цикла машинного обучения:

  • Предотвращайте мошенничество, анализируя и прогнозируя подозрительную активность.
  • Увеличение времени просмотра пользователями за счет ранжирования фильмов в их рекомендуемой ленте.
  • Оценка цен на жилье в микрорайонах на ближайшие 3 месяца.