استقرار مدل در یادگیری ماشین چیست؟

استقرار مدل در یادگیری ماشین فرآیند ادغام یک مدل یادگیری ماشینی در یک محیط تولید موجود است که در آن می‌تواند یک ورودی را دریافت کرده و یک خروجی را برگرداند.

تصور کنید که چندین ماه را صرف ایجاد یک مدل یادگیری ماشینی کرده اید که می تواند تشخیص دهد که آیا یک تراکنش تقلبی است یا خیر با امتیاز f1. این عالی است، اما کار شما هنوز تمام نشده است. در حالت ایده‌آل، می‌خواهید مدل شما در زمان واقعی تشخیص دهد که آیا یک تراکنش تقلبی است یا خیر تا بتوانید از انجام آن به موقع جلوگیری کنید. اینجاست که استقرار مدل در یادگیری ماشین مطرح می شود.

استقرار مدل چیست؟

استقرار مدل در یادگیری ماشین، که به عنوان استقرار مدل نیز شناخته می‌شود، به سادگی به معنای ادغام یک مدل یادگیری ماشین در یک محیط تولید موجود است که در آن می‌تواند ورودی را دریافت کرده و خروجی را برگرداند. هدف از استقرار مدل خود این است که بتوانید پیش بینی های یک مدل یادگیری ماشین آموزش دیده را در دسترس دیگران قرار دهید، خواه کاربران، مدیریت یا سایر سیستم ها باشند.

استقرار مدل ارتباط نزدیکی با معماری سیستم های یادگیری ماشین دارد که به ترتیب و تعاملات اجزای نرم افزار در یک سیستم برای دستیابی به یک هدف از پیش تعریف شده اشاره دارد.

معیارهای استقرار مدل در یادگیری ماشین

قبل از استقرار یک مدل، چند معیار وجود دارد که مدل یادگیری ماشین شما قبل از آماده شدن برای استقرار باید به آنها دست یابد:

• قابلیت حمل: به توانایی نرم افزار شما برای انتقال از یک ماشین یا سیستم به دستگاه دیگر اشاره دارد. مدل قابل حمل مدلی است که زمان پاسخگویی نسبتاً کمی دارد و می توان آن را با کمترین تلاش بازنویسی کرد.
• مقیاس پذیری: به این اشاره دارد که مدل شما چقدر می تواند مقیاس داشته باشد. یک مدل مقیاس پذیر مدلی است که برای حفظ عملکرد خود نیازی به طراحی مجدد ندارد.

همه اینها در یک محیط تولید اتفاق می‌افتد، که اصطلاحی است که برای توصیف محیطی استفاده می‌شود که در آن نرم‌افزار و سایر محصولات واقعاً برای استفاده‌های مورد نظر خود توسط کاربران نهایی مورد استفاده قرار می‌گیرند.

معماری سیستم یادگیری ماشین برای استقرار مدل

چهار بخش اصلی برای سیستم یادگیری ماشین وجود دارد:

• لایه داده: لایه داده دسترسی به تمام منابع داده ای را که مدل نیاز دارد، فراهم می کند.
• لایه ویژگی: لایه ویژگی مسئول تولید داده های ویژگی به صورت شفاف، مقیاس پذیر و قابل استفاده است.
• لایه امتیاز دهی: لایه امتیاز دهی ویژگی ها را به پیش بینی تبدیل می کند. Scikit-Learn بیشتر مورد استفاده قرار می گیرد و استاندارد صنعتی برای امتیازدهی است.
• لایه ارزیابی: لایه ارزیابی هم ارزی دو مدل را بررسی می کند و می تواند برای نظارت بر مدل های تولید استفاده شود. برای نظارت و مقایسه میزان تطابق پیش‌بینی‌های تمرینی با پیش‌بینی‌های ترافیک استفاده می‌شود.

روش های مهم استقرار مدل در یادگیری ماشین

سه راه کلی برای استقرار مدل ML شما وجود دارد: یکباره، دسته ای و بلادرنگ.

بیشتر بخوانید: آموزش فعالسازی IPv6 در مودم

روش یک بار در استقرار مدل

شما همیشه نیازی به آموزش مداوم یک مدل یادگیری ماشینی برای استقرار آن ندارید. گاهی اوقات یک مدل فقط یک بار یا به صورت دوره ای مورد نیاز است. در این مورد، مدل می‌تواند به سادگی در صورت نیاز به صورت موقت آموزش داده شود و تا زمانی که آنقدر خراب شود که نیاز به تعمیر داشته باشد، به سمت تولید سوق داده شود.

روش دسته ای استقرار مدل

آموزش دسته ای به شما این امکان را می دهد که دائماً یک نسخه به روز از مدل خود داشته باشید. این یک روش مقیاس پذیر است که یک نمونه فرعی از داده ها را در یک زمان می گیرد و نیازی به استفاده از مجموعه داده کامل برای هر به روز رسانی را از بین می برد. اگر از مدل به طور ثابت استفاده کنید، اما لزوماً به پیش‌بینی‌ها در زمان واقعی نیاز ندارید، این خوب است.

روش زمان واقعی استقرار مدل

در برخی موارد، شما نیاز به پیش‌بینی در زمان واقعی دارید، مانند تعیین اینکه آیا یک تراکنش تقلبی است یا خیر. این امر با استفاده از مدل‌های یادگیری ماشین آنلاین، مانند رگرسیون خطی با استفاده از نزول گرادیان تصادفی امکان‌پذیر است.

عوامل استقرار مدل

تعدادی از عوامل و پیامدها وجود دارد که باید هنگام تصمیم گیری در مورد نحوه استقرار مدل در یادگیری ماشین در نظر گرفت. این عوامل شامل موارد زیر است:

• چقدر پیش‌بینی‌ها تولید می‌شوند و نتایج چقدر فوری مورد نیاز است.
• پیش بینی ها باید به صورت جداگانه یا دسته ای تولید شوند.
• الزامات تأخیر مدل، قابلیت‌های توان محاسباتی که فرد دارد و توافق سطح خدمات مورد نظر (SLA).
• پیامدهای عملیاتی و هزینه های مورد نیاز برای استقرار و نگهداری مدل.

درک این عوامل به شما کمک می کند تا در بین روش های استقرار مدل یک بار، دسته ای و بلادرنگ تصمیم بگیرید.

نتیجه گیری:

استقرار مدل در یادگیری ماشین فرآیند ادغام مدل شما در یک محیط تولید موجود است که در آن می‌تواند یک ورودی را دریافت کرده و یک خروجی را برگرداند. هدف این است که پیش‌بینی‌های مدل یادگیری ماشینی آموزش دیده خود را در دسترس دیگران قرار دهید.

بیشتر منابع آنلاین بر مراحل قبلی چرخه یادگیری ماشین مانند تجزیه و تحلیل داده های اکتشافی (EDA)، انتخاب مدل و ارزیابی مدل تمرکز می کنند. با این حال، استقرار مدل موضوعی است که به نظر می رسد به ندرت مورد بحث قرار گیرد زیرا می تواند پیچیده باشد. اما یادگیری کلی و اصولی ان یکی از ضرورت های هر مهندسی نرم افزار است.

تالیف:
فروشگاه اینترنتی آ.اس.پ (اقتباس از مقاله‌ای از Builtin)
در صورت استفاده از این مقاله، نام و آدرس فروشگاه اینترنتی آ.اس.پ را به عنوان منبع ذکر کنید.