Qu'est-ce que le déploiement de modèles dans l'apprentissage automatique ?

Le déploiement de modèles est le processus clé pour appliquer le modèle d'apprentissage automatique formé à l'environnement de production réel. Dans cet environnement, les modèles peuvent traiter les données d'entrée et générer les sorties correspondantes. L’objectif est de permettre aux autres d’exploiter facilement le modèle formé pour faire des prédictions.

De nombreuses ressources en ligne se concentrent sur les premières étapes du cycle de vie de l'apprentissage automatique, telles que l'analyse exploratoire des données (EDA), la sélection de modèles et l'évaluation. Cependant, le déploiement de modèles est souvent négligé car il implique des processus complexes. Comprendre le processus de déploiement peut être difficile pour les personnes sans formation en génie logiciel ou DevOps. Par conséquent, bien qu’il s’agisse d’une étape cruciale du machine learning, le déploiement est rarement abordé en profondeur.

Cet article présentera le concept de déploiement de modèle, explorera l'architecture de haut niveau du modèle et différentes méthodes de déploiement. Il aborde également les facteurs à prendre en compte lors de la détermination de votre approche de déploiement.

Qu'est-ce que le déploiement de modèles ?

Le déploiement d'un modèle d'apprentissage automatique est le processus d'application d'un modèle formé à un environnement de production réel. Grâce au déploiement, le modèle peut recevoir des données d'entrée et générer des prédictions, permettant ainsi aux utilisateurs, aux gestionnaires ou à d'autres systèmes d'utiliser facilement des modèles d'apprentissage automatique pour l'analyse prédictive. L'objectif principal du déploiement d'un modèle est de garantir que le modèle peut fonctionner efficacement et fournir des résultats de prédiction précis dans des applications pratiques.

Le déploiement de modèles est étroitement lié à l'architecture du système d'apprentissage automatique. L'architecture du système d'apprentissage automatique fait référence à la disposition et à l'interaction des composants logiciels dans le système pour atteindre des objectifs prédéfinis.

Critères de déploiement du modèle

Avant de déployer un modèle, un modèle de machine learning doit répondre à plusieurs critères pour être prêt au déploiement :

• Portabilité : Il s'agit du transfert de logiciel depuis une machine ou système à un autre vers une autre machine ou un autre système. Un modèle portable est un modèle qui a un temps de réponse relativement court et qui peut être facilement réécrit.
• Évolutivité : Il s'agit de la taille à laquelle le modèle peut être mis à l'échelle. Un modèle évolutif est un modèle qui conserve ses performances sans refonte.

En pratique, toutes ces opérations seront réalisées dans un environnement de production. Un environnement de production est l'environnement dans lequel les logiciels et autres produits s'exécutent réellement et sont utilisés par les utilisateurs finaux.

Architecture du système d'apprentissage automatique pour le déploiement de modèles

D'un niveau élevé, il existe quatre parties principales d'un système d'apprentissage automatique :

• Couche de données : La couche de données permet d'accéder à toutes les sources de données requises par le modèle. accéder.
• Couche de fonctionnalités : la couche de fonctionnalités est chargée de générer des données de fonctionnalités de manière transparente, évolutive et utilisable.
• Couche de notation : la couche de notation convertit les fonctionnalités en prédictions. Scikit-Learn est le plus couramment utilisé et constitue la norme de l'industrie en matière de notation.
• Couche d'évaluation : La couche d'évaluation vérifie l'équivalence de deux modèles et peut être utilisée pour suivre les modèles de production. Il est utilisé pour surveiller et comparer dans quelle mesure les prévisions d’entraînement correspondent aux prévisions de trafic en temps réel.

3 méthodes de déploiement de modèles que vous devez connaître

Il existe trois méthodes courantes pour déployer des modèles ML : unique, par lots et en temps réel.

1. Unique

Il n'est pas toujours nécessaire de former en continu le modèle d'apprentissage automatique pour le déploiement. Parfois, un modèle n’est nécessaire qu’une seule fois ou périodiquement. Dans ce cas, le modèle peut simplement être formé ad hoc en cas de besoin, puis mis en production jusqu'à ce que ses performances se détériorent suffisamment pour devoir être réparées.

2. Batch

La formation par lots peut avoir en permanence la dernière version du modèle. Il s'agit d'une approche évolutive qui prend un sous-échantillon de données à la fois, éliminant ainsi le besoin d'utiliser l'ensemble de données complet pour chaque mise à jour. Il s'agit d'une bonne approche si vous utilisez le modèle de manière cohérente mais que vous n'avez pas nécessairement besoin de prévisions en temps réel.

3. En temps réel

Dans certains cas, une prédiction en temps réel est requise, par exemple pour déterminer si une transaction est frauduleuse. Ceci peut être réalisé en utilisant des modèles d'apprentissage automatique en ligne tels que la régression linéaire utilisant la descente de gradient stochastique.

4 Facteurs de déploiement de modèle à prendre en compte

De nombreux facteurs et influences doivent être pris en compte au moment de décider comment déployer un modèle d'apprentissage automatique. Ces facteurs sont notamment les suivants :

•  La fréquence à laquelle les prédictions sont générées et l'urgence avec laquelle les résultats prévus sont nécessaires.
• Les prédictions doivent-elles être générées individuellement ou par lots.
• Les exigences de latence du modèle, la puissance de calcul dont il dispose et l'accord de niveau de service (SLA) requis.
• L'impact opérationnel et les coûts nécessaires au déploiement et à la maintenance du modèle.

Comprendre ces facteurs peut vous aider à choisir entre les méthodes de déploiement de modèles ponctuelles, par lots et en temps réel.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!