iT邦幫忙

鐵人檔案

2021 iThome 鐵人賽
回列表
AI & Data

從 AI 落地談 MLOps 系列

行百哩路半九十,即便各種先進的AI模型如雨後春筍般化為現實,AI成功落地佈署至商業情境仍是困難重重,營運中的商業服務如何調整其ML算法,讓服務經得起時間及使用者的考驗,必須反覆推敲範疇、資料、模型及佈署的問題,進一步而言,有沒有關於AI落地、ML in Production、MLOps的解決方案?

既然佈署機械學習ML的工程實務逐漸歸納並越受重視,也多虧軟體工程DevOps精神興起與CI/CD實務越漸普及,本系列期待透過鐵人賽將系列知識做個梳理,拋磚引玉,協助銜接ML商務落地的一哩路,以及對AI有志趣者,補充除了AI建模以外需要關注的面向。

鐵人鍊成 | 共 30 篇文章 | 20 人訂閱 訂閱系列文 RSS系列文
DAY 21

Day 21 : 模型優化 - 剪枝 Pruning

如果說可以讓模型縮小10倍,精度還維持水準,這是什麼巫術? 延續 Day 20 的模型優化作法,本次再結合剪枝技術做到更輕量的模型效果。 什麼是剪枝 Pru...

2021-09-21 ‧ 由 威利斯 分享
DAY 22

Day 22 : 模型優化 - 知識蒸餾 Knowledge Distillation

什麼是知識蒸餾 Knowledge Distillation 知識蒸餾 Knowledge Distillation 為模型壓縮技術,其中 student 模...

2021-09-22 ‧ 由 威利斯 分享
DAY 23

Day 23 : 模型分析 TensorFlow Model Analysis (TFMA)

模型分析 TFMA 介紹 過往我們關注模型的訓練結果,會追蹤該模型在每次 epochs 之後的 AUC 、 ACC、 loss 等指標變化,並且以視覺化繪圖...

2021-09-23 ‧ 由 威利斯 分享
DAY 24

Day 24 : 負責任的 AI - Responsible AI (RAI)

當您用心呵護的機械學習終於實現,期待能滿足與提升使用者福祉,您應該有足夠的信心與能力對產品負責, AI 產品亦然。 延續系列文對您的機械學習產品生命週期的思考...

2021-09-24 ‧ 由 威利斯 分享
DAY 25

Day 25 : 可解釋的 AI - Explain AI (XAI)

AI 黑箱作業已經被詬病許久,因為 AI 類神經網絡的複雜性不似機械學習的樹狀結構、線性結構容易理解中間判斷過程,但隨著可解釋 AI 技術的出現,理解模型可...

2021-09-25 ‧ 由 威利斯 分享
DAY 26

Day 26 : 公平指標與實作 Fairness Indicators

模型公平性的思考 隨著 AI 對於各領域和社會的影響逐漸增加,建立公平且可包容所有人的系統至關重要,為達到負責任的 AI,重視公平性,實踐以人為本的設計初衷...

2021-09-26 ‧ 由 威利斯 分享
DAY 27

Day 27 : 使用 TensorFlow Serving 部署 REST API

在網路情境常以 API 請求服務,用於生產的機械學習亦可用 REST API 形式提供服務。在Day 20、Day 21、Day 22 介紹部署在算力有限的終...

2021-09-27 ‧ 由 威利斯 分享
DAY 28

Day 28 : 用於生產的機械學習 TensorFlow Extended (TFX) 介紹

什麼是 TensorFlow Extended (TFX) TensorFlow Extended (TFX) 是端對端平台,可部署於用於生產環境中的機器學習...

2021-09-28 ‧ 由 威利斯 分享
DAY 29

Day 29 : 用於生產的 TensorFlow Extended (TFX) 實作

用於生產的機械學習系統,在 Day 28 介紹 TensorFlow Extended (TFX) 解決方案,是專門用於可擴充的高效能機器學習工作,包括建立模...

2021-09-29 ‧ 由 威利斯 分享
DAY 30

Day 30 : 綜合整理 MLOps Level 0 ~ 2

MLOps 是值得持續投入的新興學門,如同 Day 01 談到的此系列目的,談如何從佈署機械學習至商業情境(ML in Production),並關注佈署之...

2021-09-30 ‧ 由 威利斯 分享