3. 3
Motivace
› Víte, jak matematik vaří vodu na čaj? Vezme rychlovarnou konvici
a podívá se, jestli je v ní voda. Když zjistí, že je prázdná, nalije do
konvice vodu a zapne konvici. Pokud tam voda byla, tak ji vyleje a tím
převede situaci na předchozí případ.
› Nechceme vyvíjet…
10. 10
Proč závodit s cloudem?
› Využijeme už připravených nástrojů
› Většinu zdrojů potřebují i ostatní závodníci a nejen
našeho závodu
› Můžeme si krátkodobě pronajímat velké zdroje
› Přenositelnost z cloudu na vlastní systémy
19. 19
Radosti a strasti na MLFlow
› Jednoduchá správa modelů
› Sledování metrik
› Vizualizace
› Obecné
› Přibývají funkce
› Občas komunitní kód
› Občas bugy
22. 22
Household detection
› Jak funguje naše Household detection?
– Vybrat potenciální páry
– Připravit model predikující, zda pár žije ve stejné domácnosti
– Vystavit model pro další použití
23. 23
Household na Azure
› Úložiště
– Raw data
– Připravené features
› Databricks
– Preprocessing
– Vývoj modelu
– Zálohování modelu
› Výsledný model
– Testovací rozhraní
– Produkční rozhraní
25. 25
Vývoj podle softwarového inženýrství
› Společný kód zabalen v Python balíčku
› Naše automatizované rozhraní
– Preprocessing dat
– Trénování
– Deployment na testovací prostředí
– Deployment na produkční prostředí
26. 26
Shrnutí
› Dodržovat principy MLOps má smysl ať vyvíjíte cokoliv.
› Vývoj modelů typu Household detection v cloudu
přinese značné ulehčení.
› Databricks vám bezbolestně umožní práci
s velkými daty i bez vlastní infrastruktury.