Основы оптимизации моделей ML для производства

Перенос модели машинного обучения из среды разработки в производственную систему создает уникальные проблемы. Узнайте, как обеспечить эффективную и надежную работу моделей при взаимодействии с реальными данными и пользователями. К концу этого курса вы поймете важнейшие соображения для производства моделей ML и приобретете основные навыки для оптимизации их производительности, снижения потребления ресурсов и подготовки их к надежному развертыванию. Что вы узнаете: Понимание жизненного цикла и проблем развертывания моделей машинного обучения в производстве. Применять методы оптимизации размера модели и скорости вывода, такие как квантование и обрезка. Оценка производительности модели, помимо точности, с учетом задержки, пропускной способности и использования памяти. Настройка моделей для различных сред развертывания, включая основные концепции контейнеризации. Реализация основополагающих стратегий мониторинга развернутых моделей на предмет дрейфа и ухудшения их функционирования. Практика подготовки моделей артефактов для эффективного и надежного обслуживания. Этот курс начинается с основных концепций развертывания моделей ML, затем систематически вводятся методы оптимизации и практические соображения для подготовки и обслуживания модели в производственных условиях. Этот курс предназначен для начинающих инженеров машинного обучения, ученых, занимающихся данными, и разработчиков, которые только начинают развертывать модели ML и не имеют предыдущего опыта работы с производственными системами ML. Начните накапливать опыт в создании эффективных и надёжных решений машинного обучения, готовых к производству.