Tahap penyebaran siklus hidup Proses Data Science
Artikel ini merangkum tujuan, tugas, dan hasil kerja yang terkait dengan tahap penyebaran Proses Data Science Tim (TDSP). Proses ini menyediakan siklus hidup yang direkomendasikan yang dapat digunakan tim Anda untuk menyusun proyek ilmu data Anda. Siklus hidup menguraikan tahapan utama yang dilakukan tim Anda, sering kali berulang:
- Pemahaman Bisnis
- Akuisisi dan pemahaman data
- Pemodelan
- Penyebaran
- Penerimaan pelanggan
Berikut adalah representasi visual siklus hidup TDSP:
Goal
Tujuan dari tahap penyebaran adalah untuk menyebarkan model dengan alur data ke lingkungan produksi atau seperti produksi untuk penerimaan pelanggan akhir.
Cara menyelesaikan tugas
Tugas utama untuk tahap ini adalah mengoprasionalkan model. Sebarkan model dan alur ke lingkungan produksi atau seperti produksi untuk konsumsi aplikasi.
Mengoperasionalkan model
Setelah Anda memiliki serangkaian model yang berkinerja baik, tim Anda dapat mengoptimalisasikannya untuk digunakan aplikasi lain. Tergantung pada persyaratan bisnis, prediksi dibuat baik secara real time maupun berdasarkan batch. Untuk menyebarkan model, Anda mengeksposnya dengan antarmuka API. Dengan antarmuka, pengguna dapat dengan mudah menggunakan model dari berbagai aplikasi, seperti:
- Situs Web
- Lembar bentang
- Dashboard
- Aplikasi lini bisnis
- Aplikasi back-end
Untuk contoh operasionalisasi model dengan Azure Machine Learning, lihat Menyebarkan model pembelajaran mesin ke Azure. Ini adalah praktik terbaik untuk membangun pemantauan ke dalam model produksi dan alur data yang Anda sebarkan. Praktik ini membantu pelaporan dan pemecahan masalah status sistem berikutnya.
Integrasikan dengan MLflow
Untuk membantu mendukung tahap ini, Anda dapat menggabungkan fitur Azure Pembelajaran Mesin berikut:
Manajemen model: Untuk menyiapkan penyebaran, Anda menempatkan model ke lingkungan produksi atau operasional. MLflow mengelola dan versi model siap penyebaran, yang membantu meningkatkan operasionalisasi.
Penyajian dan penyebaran model: Model MLflow yang melayani fungsionalitas memfasilitasi proses penyebaran, sehingga Anda dapat dengan mudah melayani model di berbagai lingkungan.
Artefak
Dalam tahap ini, tim Anda memberikan:
Dasbor status yang menampilkan kesehatan sistem dan metrik utama. Sebaiknya gunakan Power BI untuk membuat dasbor.
Laporan pemodelan akhir dengan detail penyebaran.
Dokumen arsitektur solusi akhir.
Literatur yang ditinjau serekan
Peneliti menerbitkan studi tentang TDSP dalam sastra yang ditinjau serekan. Kutipan memberikan kesempatan untuk menyelidiki aplikasi lain atau ide serupa dengan TDSP, termasuk tahap siklus hidup penyebaran.
Kontributor
Artikel ini dikelola oleh Microsoft. Ini awalnya ditulis oleh kontributor berikut.
Penulis utama:
- Tandai Tabladillo | Arsitek Solusi Cloud Senior
Untuk melihat profil LinkedIn non-publik, masuk ke LinkedIn.
Sumber daya terkait
Artikel-artikel ini menjelaskan tahapan lain dari siklus hidup TDSP:
Saran dan Komentar
https://aka.ms/ContentUserFeedback.
Segera hadir: Sepanjang tahun 2024 kami akan menghentikan penggunaan GitHub Issues sebagai mekanisme umpan balik untuk konten dan menggantinya dengan sistem umpan balik baru. Untuk mengetahui informasi selengkapnya, lihat:Kirim dan lihat umpan balik untuk