¿Cuáles son los métodos de implementación con calidad de producción para los modelos de aprendizaje automático?

Pocos enfoques para implementar modelos de aprendizaje automático en la producción después del proceso de capacitación son los siguientes,

1. Contenedores Docker para alojar el algoritmo como API de matraz / nodo
1. El código de ejemplo para la API del matraz es el siguiente,
   shabazbpatel / xgboost-model-api
2. Uso del enjambre Docker para escalar los contenedores según los requisitos de rendimiento.
2. Cargue el modelo en su sistema de producción, como una función Lambda alojada en AWS.
1. El modelo se puede cargar en su aplicación web y volver a crear una instancia y puede ejecutar el método de predicción en él. Puede tener tantas instancias de modelos y escalar a tantos trabajadores / máquinas según los requisitos de rendimiento.
3. También puede crear Node.JS API junto con el método de inferencia como un método de apio dentro de un contenedor y escalar usando Amazon ECS.

Espero que ayude 🙂

• ¿Por qué los pesos hacia adelante y hacia atrás son iguales en la máquina de Boltzmann restringida?
• ¿Pueden los algoritmos de aprendizaje profundo predecir los resultados de los partidos deportivos?
• ¿Cómo puedo usar una red neuronal de convolución (para reconocimiento facial) después del entrenamiento? Quiero darle una cara como entrada y ver la salida predicha.
• ¿Hay alguna debilidad en el uso de la agrupación máxima y la agrupación promedio?
• En PWR, ¿por qué las barras de control están dispuestas en grupos?