Bagikan melalui

Tahap penyebaran siklus hidup Proses Data Science

  • Artikel

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:

Diagram that shows the stages of the TDSP lifecycle.

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:

Untuk melihat profil LinkedIn non-publik, masuk ke LinkedIn.

Artikel-artikel ini menjelaskan tahapan lain dari siklus hidup TDSP: