详细内容或原文请订阅后点击阅览
您的 ML 实验一团糟吗？这是修复方法
使用 ML Flow 跟踪实验、记录模型和重现结果的实践指南。帖子您的 ML 实验一团糟吗？这是首先出现在《走向数据科学》上的修复方法。
来源:走向数据科学一个新模型。您可以使用简单的模型获得不错的基线结果，但尝试使用更高级的模型来提高性能。在开发过程中，您的 PM 会获取一些可能有用的附加数据，并且现在可以恢复为更简单的模型。经过广泛的超参数调整后，您咨询您的团队，他们建议您针对不同的性能指标进行优化。最终交付模型后，您的利益相关者改变了项目的方向，需要彻底检修。
对于数据科学家来说，这是一种常见情况，尤其是那些拥有跨协作团队、利益相关者和不断变化的优先级的数据科学家。模型开发很快就会变成一场徒劳的追逐，需要弄清楚需求、数据源、性能指标等。在所有这些混乱中，团队不仅能够跟踪模型开发的所有阶段，而且能够快速重现结果，这一点至关重要。您需要模型治理。
模型治理
模型治理是指团队维持模型使用控制的框架，包括实验跟踪、版本控制、可重复性等。这是许多团队在模型投入生产之前才考虑的一项关键功能。重要的是要有一个流程来有效跟踪开发工作、生产中的模型和所利用的数据，以便组织可以确保质量、合规性并监控机器学习集成。
为了确保生产中使用正确的模型，我们需要一种方法来管理各种模型和版本、跟踪性能指标并重现结果。这就是 ML Flow 的用武之地。ML Flow 是一个开源 ML Ops 平台，可通过简化模型、指标等的日志记录和跟踪来实现灵活的模型开发、部署和管理。
本文将介绍如何安装 ML Flow、创建实验、日志模型等。