Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
Automatisierung der Wartung eines Bildklassifizierungsmodells
Nachdem Ihr Bildklassifizierungsmodell bereitgestellt und einsatzbereit ist, kann es einige Wartungsarbeiten erfordern. Betrachten Sie die folgenden Beispielszenarien:
-
In einem Modell werden Maissorten nach Helfern während der Erntezeit klassifiziert. Im Laufe der Zeit ändert sich das Aussehen der Maissorten langsam, und an bestimmten Stellen können neue Sorten eingeführt werden.
-
Ein Modell bestimmt den Fahrzeugtyp, der auf einem Parkplatz in einem Parkhaus geparkt ist. Es führt eine detaillierte Klassifizierung für das Modell, die Marke und das Jahr eines Fahrzeugs durch. Es muss jedes Jahr für die neuen Modelle aktualisiert werden, die veröffentlicht wurden.
-
Ein Modell wird anhand von Beiträgen in sozialen Medien trainiert, um Stimmungen in Bezug auf verschiedene Entitäten und Themen zu erkennen. Das Modell muss für neue Themen, Entitäten, Redewendungen und Emoji-Symbole auf dem neuesten Stand bleiben.
In all diesen Szenarien müssen die Modelle regelmäßig umgeschult werden. Ein erneutes Training ist aufgrund von Modellabweichungen (die Eigenschaften der Eingabedaten haben sich im Laufe der Zeit geändert) oder aufgrund von Aktualisierungen erforderlich, die erforderlich sind, damit das Modell eine geänderte Aufgabe bewältigen kann. Die Erstellung von ML-Operations-Pipelines in AWS kann auf verschiedenen Abstraktionsebenen erfolgen. Die flexibelste und abstrakteste Methode ist AWS Step Functions die Erstellung des Workflows für die Modellpflege.
Ein Beispiel für eine ML-Operations-Pipeline finden Sie unter MLOps End-to-End Beispiel mit Amazon SageMaker AI Pipeline AWS CodePipeline, und AWS CDK
