Beschreiben von Überlegungen zur Modellimplementierung
Im Bereich des maschinellen Lernens kann die Modellimplementierung als ein Prozess betrachtet werden, bei dem Sie Ihre trainierten Machine Learning-Modelle in eine Produktionsumgebung integrieren, sodass Ihre Geschäfts- oder Endbenutzeranwendungen die Modellvorhersagen verwenden können, um Entscheidungen zu treffen oder Einblicke in Ihre Daten zu gewinnen. Die häufigste Art der Bereitstellung eines Modells mithilfe von Azure Machine Learning von Azure Databricks ist die Bereitstellung des Modells als Echtzeitrückschlussdienst. Hier bezieht sich der Begriff Rückschluss auf die Verwendung eines trainierten Modells, um Vorhersagen für neue Eingabedaten zu treffen, für die das Modell noch nicht trainiert wurde.
Was bedeutet Echtzeitrückschluss?
Das Modell wird als Teil eines Diensts bereitgestellt, der es Anwendungen ermöglicht, sofortige bzw. Echtzeit-Vorhersagen für eine einzelne oder eine kleine Anzahl von Datenbeobachtungen anzufordern.
In Azure Machine Learning können Sie Echtzeitrückschlusslösungen erstellen, indem Sie ein Modell als Echtzeitdienst bereitstellen, das in einer containerisierten Plattform wie Azure Kubernetes Services (AKS) gehostet wird.