Caixa do Autor


Discuta o seu projeto

Sobre nós

Somos o parceiro Microsoft Gold com presença nos Estados Unidos e na Índia. Somos um provedor de serviços de TI dinâmico e profissional que atende empresas e startups, ajudando-as a enfrentar os desafios da economia global. Oferecemos serviços na área de Consultoria e implementação de CRM, Desenvolvimento de aplicações, Desenvolvimento de aplicações mobile, Desenvolvimento Web e Desenvolvimento Offshore.

Implementação do modelo

Guia de 4 etapas para implantação do modelo de aprendizado de máquina

By Rosa Aguiar Catraio / 20 de abril de 2021

4 de janeiro de 2022
Guia de 4 etapas para implantação do modelo de aprendizado de máquina

O objetivo de desenvolver um modelo de aprendizado de máquina é resolver um problema e qualquer modelo de aprendizado de máquina pode simplesmente fazer isso quando estiver em produção e for usado ativamente por seus clientes. Portanto, a implantação do modelo é um aspecto importante envolvido na construção do modelo.

Existem várias abordagens para definir modelos em produções, com diferentes vantagens, dependendo do caso de uso específico. A maioria dos cientistas de dados acredita que a implantação do modelo é uma atribuição de engenharia de software e deve ser gerenciada por engenheiros de software, já que todas as habilidades necessárias estão mais firmemente alinhadas com seu trabalho diário. 

Ferramentas como Kubeflow, TFX, etc. podem explicar o processo completo de implantação de modelo, e os cientistas de dados devem aprendê-los e usá-los instantaneamente. O uso de ferramentas como o Dataflow permite que os cientistas de dados trabalhem muito mais próximo às equipes de engenharia, pois é possível configurar ambientes de preparação nos quais partes de um pipeline de dados podem ser testadas antes da implantação. 

O que é implantação de modelo?

A implantação é definida como um processo por meio do qual você integra um modelo de aprendizado de máquina em um ambiente de produção existente para obter decisões de negócios eficazes com base em dados. É uma das últimas etapas do ciclo de vida do aprendizado de máquina.

Criar um modelo geralmente não é o fim do projeto. Dependendo dos requisitos, esta fase de implantação pode ser tão fácil quanto criar um relatório ou tão complicada quanto implementar qualquer processo de ciência de dados repetível.

Considere um exemplo de cartão de crédito, uma empresa de cartão de crédito pode exigir o uso de um modelo treinado ou conjunto de modelos (por exemplo, meta-aluno, redes neurais) para reconhecer transações instantaneamente, tendo uma grande chance de serem falsas e fraudulentas.

Mas mesmo que o analista não execute o trabalho de implantação, o consumidor precisa entender antecipadamente quais ações serão necessárias para fazer uso desses modelos projetados. 

Além disso, leia: O que é BERT? BERT para classificação de texto

Etapas essenciais na implantação do modelo:

Aqui estão algumas etapas básicas e ideias para um caminho de implantação a serem seguidos para preparar seu modelo para implantação. Você deve ter em mente estes passos, à medida que seu modelo é transformado de pesquisa e desenvolvimento para produção.

etapas de implantação do modelo
[incorporar imagem]

Etapa 1) Prepare seu pipeline de dados e configure

Agora, antes de atingir o estágio de implantação do modelo preditivo, você deve se certificar de que seus pipelines de dados estão estruturado de forma eficiente e são capazes de fornecer dados relevantes e de alta qualidade.

O ponto mais importante aqui é que o que acontece quando você muda da etapa de prova de conceito (POC), onde normalmente usa uma amostra de dados comparativamente pequena, para a etapa de produção, onde grandes quantidades de dados são extraídas de um grande variedade de conjuntos de dados.

É essencial descobrir como você escalará seus pipelines de dados e seus modelos depois de implantados. 

Etapa 2) Acesse os dados externos apropriados

Ao desenvolver um modelo preditivo para produção, você deve ter certeza de que está operando com os melhores dados possíveis, das fontes mais adequadas, desde o início até o momento do lançamento. Se já estiver velho e estragado, há uma chance de que seus modelos cuidadosamente elaborados não sejam muito úteis.

Agora, outro componente desse desafio é obter dados históricos adequados para obter um quadro completo. Algumas empresas coletam todos os dados de que precisam internamente. Para contexto e perspectiva completos, você deve começar a incluir fontes de dados externas.

Exemplos de conjuntos de dados externos incorporam dados geoespaciais, dados da empresa, dados de pessoas como atividade de gastos ou comportamento na Internet, incluindo dados baseados no tempo, que cobrem tudo, desde padrões climáticos a tendências econômicas. 

Além disso, leia: 10 poderosos AI Chatbot Development Frameworks

Etapa 3) Criar ferramentas poderosas de automação de teste e treinamento

Testes e treinamentos rigorosos e intransigentes são cruciais antes de prosseguir para o estágio de implantação do modelo preditivo, mas isso pode ser um processo demorado. Portanto, para evitar a desaceleração, você deve automatizar o máximo que puder. 

Isso não indica apenas trabalhar em alguns truques ou ferramentas que economizam tempo. Mas seu objetivo deve ser produzir modelos que possam eventualmente funcionar sem nenhum esforço ou ação necessária de sua parte.

Com a melhor tecnologia, você pode automatizar tudo, desde a coleta de dados e engenharia de recursos até o treinamento e o crescimento de seus modelos. Isso também ajuda a tornar seus modelos totalmente escalonáveis ​​sem multiplicar sua carga de trabalho. 

Etapa 4) Planejar e projetar protocolos robustos de monitoramento, auditoria e retreinamento

Antes de implantar e usar seu modelo preditivo, você precisa entender se ele está realmente entregando o tipo de resultados que você estava procurando. Você deve verificar se esses resultados são precisos e também se os dados que você está carregando no modelo manterão esses modelos consistentes e relevantes ao longo do tempo. Além disso, dados antigos fracos podem criar desvio de modelo, levando a resultados imprecisos.

Isso significa que você deve criar processos de treinamento e pipelines que atraiam novos dados, monitorem suas fontes de dados internas e informem quais recursos ainda estão fornecendo informações importantes.

Você nunca deve ser complacente em relação a isso, ou seus modelos podem estar influenciando seus negócios em direções inúteis. É essencial manter os processos em posição para monitorar seus resultados, garantindo que você não esteja apenas configurando mais e mais o tipo errado de dados dentro de seu modelo preditivo. 

Você também deve executar Teste AB para descobrir o desempenho desses modelos em diferentes versões.

Além disso, leia: Inteligência Artificial em Saúde: A melhor maneira de vencer a competição em 2021

Palavras finais: Simplificando o processo

Os modelos geralmente são treinados com dados e a capacidade preditiva está associada à qualidade dos dados. Conforme o tempo passa e o ambiente muda em todo o modelo, sua precisão começa a cair de forma conclusiva.

Este evento é denominado "deriva, "e pode ser controlado e até utilizado como um gatilho para retreinar o modelo. Os dados também devem ser monitorados e combinados com os dados do passado.

Para saber e compreender as propriedades analíticas dos dados alterados? Além disso, se houver algum outlier diferente ou adicionado do que antes?

Portanto, a chave é automatizar e agilizar o processo sempre que possível, diminuindo o tempo de implantação e garantindo que você esteja utilizando constantemente os dados mais recentes, relevantes e de qualidade. 

[sc name = "AI"] [add_newsletter] [add_related_page_diff_contents blog_cat = "ai"]

O objetivo de desenvolver um modelo de aprendizado de máquina é resolver um problema e qualquer modelo de aprendizado de máquina pode simplesmente fazer isso quando estiver em produção e for usado ativamente por seus clientes. Portanto, a implantação do modelo é um aspecto importante envolvido na construção do modelo.

Existem várias abordagens para definir modelos em produções, com diferentes vantagens, dependendo do caso de uso específico. A maioria dos cientistas de dados acredita que a implantação do modelo é uma atribuição de engenharia de software e deve ser gerenciada por engenheiros de software, já que todas as habilidades necessárias estão mais firmemente alinhadas com seu trabalho diário. 

Ferramentas como Kubeflow, TFX, etc. podem explicar o processo completo de implantação de modelo, e os cientistas de dados devem aprendê-los e usá-los instantaneamente. O uso de ferramentas como o Dataflow permite que os cientistas de dados trabalhem muito mais próximo às equipes de engenharia, pois é possível configurar ambientes de preparação nos quais partes de um pipeline de dados podem ser testadas antes da implantação. 

O que é implantação de modelo?

A implantação é definida como um processo por meio do qual você integra um modelo de aprendizado de máquina em um ambiente de produção existente para obter decisões de negócios eficazes com base em dados. É uma das últimas etapas do ciclo de vida do aprendizado de máquina.

Criar um modelo geralmente não é o fim do projeto. Dependendo dos requisitos, esta fase de implantação pode ser tão fácil quanto criar um relatório ou tão complicada quanto implementar qualquer processo de ciência de dados repetível.

Considere um exemplo de cartão de crédito, uma empresa de cartão de crédito pode exigir o uso de um modelo treinado ou conjunto de modelos (por exemplo, meta-aluno, redes neurais) para reconhecer transações instantaneamente, tendo uma grande chance de serem falsas e fraudulentas.

Mas mesmo que o analista não execute o trabalho de implantação, o consumidor precisa entender antecipadamente quais ações serão necessárias para fazer uso desses modelos projetados. 

Além disso, leia: O que é BERT? BERT para classificação de texto

Etapas essenciais na implantação do modelo:

Aqui estão algumas etapas básicas e ideias para um caminho de implantação a serem seguidos para preparar seu modelo para implantação. Você deve ter em mente estes passos, à medida que seu modelo é transformado de pesquisa e desenvolvimento para produção.

etapas de implantação do modelo
Copiar Infográfico
×

Etapa 1) Prepare seu pipeline de dados e configure

Agora, antes de atingir o estágio de implantação do modelo preditivo, você deve se certificar de que seus pipelines de dados estão estruturado de forma eficiente e são capazes de fornecer dados relevantes e de alta qualidade.

O ponto mais importante aqui é que o que acontece quando você muda da etapa de prova de conceito (POC), onde normalmente usa uma amostra de dados comparativamente pequena, para a etapa de produção, onde grandes quantidades de dados são extraídas de um grande variedade de conjuntos de dados.

É essencial descobrir como você escalará seus pipelines de dados e seus modelos depois de implantados. 

Etapa 2) Acesse os dados externos apropriados

Ao desenvolver um modelo preditivo para produção, você deve ter certeza de que está operando com os melhores dados possíveis, das fontes mais adequadas, desde o início até o momento do lançamento. Se já estiver velho e estragado, há uma chance de que seus modelos cuidadosamente elaborados não sejam muito úteis.

Agora, outro componente desse desafio é obter dados históricos adequados para obter um quadro completo. Algumas empresas coletam todos os dados de que precisam internamente. Para contexto e perspectiva completos, você deve começar a incluir fontes de dados externas.

Exemplos de conjuntos de dados externos incorporam dados geoespaciais, dados da empresa, dados de pessoas como atividade de gastos ou comportamento na Internet, incluindo dados baseados no tempo, que cobrem tudo, desde padrões climáticos a tendências econômicas. 

Além disso, leia: 10 poderosos AI Chatbot Development Frameworks

Etapa 3) Criar ferramentas poderosas de automação de teste e treinamento

Testes e treinamentos rigorosos e intransigentes são cruciais antes de prosseguir para o estágio de implantação do modelo preditivo, mas isso pode ser um processo demorado. Portanto, para evitar a desaceleração, você deve automatizar o máximo que puder. 

Isso não indica apenas trabalhar em alguns truques ou ferramentas que economizam tempo. Mas seu objetivo deve ser produzir modelos que possam eventualmente funcionar sem nenhum esforço ou ação necessária de sua parte.

Com a melhor tecnologia, você pode automatizar tudo, desde a coleta de dados e engenharia de recursos até o treinamento e o crescimento de seus modelos. Isso também ajuda a tornar seus modelos totalmente escalonáveis ​​sem multiplicar sua carga de trabalho. 

Etapa 4) Planejar e projetar protocolos robustos de monitoramento, auditoria e retreinamento

Antes de implantar e usar seu modelo preditivo, você precisa entender se ele está realmente entregando o tipo de resultados que você estava procurando. Você deve verificar se esses resultados são precisos e também se os dados que você está carregando no modelo manterão esses modelos consistentes e relevantes ao longo do tempo. Além disso, dados antigos fracos podem criar desvio de modelo, levando a resultados imprecisos.

Isso significa que você deve criar processos de treinamento e pipelines que atraiam novos dados, monitorem suas fontes de dados internas e informem quais recursos ainda estão fornecendo informações importantes.

Você nunca deve ser complacente em relação a isso, ou seus modelos podem estar influenciando seus negócios em direções inúteis. É essencial manter os processos em posição para monitorar seus resultados, garantindo que você não esteja apenas configurando mais e mais o tipo errado de dados dentro de seu modelo preditivo. 

Você também deve executar Teste AB para descobrir o desempenho desses modelos em diferentes versões.

Além disso, leia: Inteligência Artificial em Saúde: A melhor maneira de vencer a competição em 2021

Palavras finais: Simplificando o processo

Os modelos geralmente são treinados com dados e a capacidade preditiva está associada à qualidade dos dados. Conforme o tempo passa e o ambiente muda em todo o modelo, sua precisão começa a cair de forma conclusiva.

Este evento é denominado “deriva, ”E pode ser controlado e até mesmo utilizado como um gatilho para retreinar o modelo. Os dados também devem ser monitorados e combinados com os dados do passado.

Para saber e compreender as propriedades analíticas dos dados alterados? Além disso, se houver algum outlier diferente ou adicionado do que antes?

Portanto, a chave é automatizar e agilizar o processo sempre que possível, diminuindo o tempo de implantação e garantindo que você esteja utilizando constantemente os dados mais recentes, relevantes e de qualidade. 

Serviços de consultoria de IA

Planejando alavancar a IA para o seu negócio? Oferecemos AI Consulting para ajudar as organizações a implementar esta tecnologia. Conecte-se com nossa equipe para saber mais.



5 1 voto
Artigo Avaliação
Subscrever
Receber por
convidado
0 Comentários
Comentários em linha
Ver todos os comentários
0
Adoraria seus pensamentos, por favor, comente.x