Публикации по теме 'model-monitoring'
Наука о данных после развертывания: мониторинг моделей машинного обучения на предмет дрейфа производительности
Наука о данных после развертывания: мониторинг моделей машинного обучения на предмет дрейфа производительности
Введение
В этой статье вы узнаете, как сбои тихих моделей влияют на бизнес-модели и почему важно проектировать конвейеры машинного обучения для поддержки мониторинга моделей в рабочей среде. Вы также ознакомитесь с практическим учебным пособием по обнаружению отклонений модели с помощью Python и библиотеки NannyML.
Почему мониторинг моделей важен?
В последние годы..
Что такое дрейф данных и как его обнаружить в компьютерном зрении с помощью MLOps?
Дрейф данных возникает, когда набор данных, используемый для обучения вашей модели, не имитирует данные, которые вы получаете в рабочей среде. Это когда ваша модель начинает вести себя странно и неэффективно.
Разница между обучающими и производственными данными может быть вызвана несколькими факторами. Это может быть неточное создание набора данных, например, использование открытых данных, не подходящих для вашего варианта использования. Например, если вы используете набор данных дорог,..
Проблемы при развертывании моделей машинного обучения
Машинное обучение — это бурно развивающаяся отрасль, которая принесла невероятные достижения в различных областях. Все используют ML и AI для своего бизнеса и приложений, от небольших стартапов до крупных организаций. Многие организации стремятся развернуть модели машинного обучения, но возникают проблемы с поддержанием хорошей производительности моделей. Эти проблемы часто решаются с помощью множества решений, включая увеличение данных, перенос обучения и многое другое.
В этой..
Как понять и использовать расхождение Дженсена-Шеннона
Как понять и использовать расхождение Дженсена-Шеннона
Учебник по математике, логике и практическому применению JS Divergence, включая то, как его лучше всего использовать для мониторинга дрейфа.
Эта статья написана в соавторстве с Джейсоном Лопатецки, генеральным директором и соучредителем Arize AI
В системах машинного обучения мониторинг дрейфа может иметь решающее значение для обеспечения качественного машинного обучения. Некоторые распространенные варианты использования..
Обнаружение дрейфа данных для мониторинга моделей ML в производстве (с использованием библиотеки Evidently в Python)
Что такое дрейф данных и почему мы должны его обнаруживать?
Дрейф данных возникает, когда статистические свойства входных данных изменяются с течением времени, что приводит к сдвигу в распределении данных.
Потребность в мониторинге дрейфа данных в отраслях возникает из-за того, что модели машинного обучения полагаются на точные и актуальные данные, чтобы делать точные прогнозы или решения. Однако во многих отраслях данные могут меняться со временем, что приводит к дрейфу данных...
Улучшение модели в производстве
В этой статье мы рассмотрим шаги, которые необходимо выполнить для мониторинга и дальнейшего улучшения модели.
Мы ожидаем, что модели со временем ухудшатся. Это явление называется дрейфом модели . Дрейф модели происходит по следующей причине
Мы проверили на ограниченных данных. Реальные данные могут отличаться. В B2B производительность в среде UAT будет отличаться от производительности в производственной среде. Структура ввода может измениться. Например, значения функциональной..
Мониторинг моделей IBM SPSS Modeler с помощью IBM Watson OpenScale
О чем это? ..
IBM Watson OpenScale — это платформа мониторинга моделей AI/ML для оценки и мониторинга дрейфа, объективности, качества, объяснимости или любых других настраиваемых показателей ваших моделей машинного обучения. Оценить и, таким образом, иметь возможность оценить риск использования моделей машинного обучения в производственной среде. А после запуска в производственной среде используйте OpenScale для постоянного мониторинга моделей машинного обучения на предмет любых..
