終於~~ 今天是第三十天,很開心跟大家分享AI平台的Labeling、Training、Tracking與Serving的概念與串接工具的方法.
首先我們先手動建立與安裝所需的軟體與系統, 我們先安裝Kubernetes(K8s), 然後在K8s上安裝JupyterLab、MLFlow、Django、MLFlow、Seldon、PV/PVC, 在整合的過程中也使用到NFS server與MinIO, 這樣我們可以在自已手動建立的AI平台上完成training、tracking與serving, 可以符合資料科學家基本的使用需求.
接著我們使用Nilvana物件辨識工具, 除了有好用的標註工具之外, Nilvana操作介面很容易上手, 輕鬆就可以完成資料標註、訓練與部署, 在物件辨識應用上Nilvana是一個很好用的工具.

接下來, 除了Labeling、Training、Tracking與Serving之外, 至少還要再加入monitoring與reserving:

• monitoring: 監控模型推論的結果.
  • 模型推論的結果可能會隨著所接收到的資料而影響到準確度, 因此收集模型推論的結果有助於我們了解模型的狀況, 以決定是否重新部署模型.
• reserving: 重新部署新模型的方法
  • 重新部署模型時需加入模型的版本控制, 並且能以rolling update的方式進行模型的更新

這三十天的內容整理的有點倉促, 或許之後可以將這一系列文章重新整理並重新命名為AI平台的六個ING-Labeling、Training、Tracking、Serving、monitoring與reserving..

最後, 感謝ITHome鐡人賽提供這個技術交流平台.

下台一鞠躬~~

參考資料

Nilvana官網: https://nilvana.tw/