Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.
2. Experimentación
La experimentación abarca el registro, el seguimiento y las métricas de los experimentos. De este modo, se integra la metainformación de los experimentos en toda la plataforma, en el control de código fuente y en los entornos de desarrollo. La experimentación también incluye la posibilidad de optimizar el rendimiento y la precisión del modelo mediante la depuración.
2.1 Entornos de desarrollo integrados |
Un entorno de desarrollo integrado (IDE) se integra de manera directa con la nube. El IDE puede interactuar con el sistema más grande y enviar comandos a este. Lo ideal es que admita lo siguiente:
|
2.2 Control de versiones de código |
Para garantizar la capacidad de reproducción y la reutilización, todo el código se archiva en el repositorio de origen con el control de versiones adecuado. Esto incluye el código de infraestructura, el código de aplicación, el código de modelo e incluso los cuadernos (si opta por utilizarlos). |
2.3 Seguimiento |
Un proyecto de ML requiere una herramienta que pueda seguir y analizar los experimentos de machine learning. Esta herramienta debe registrar todas las métricas, parámetros y artefactos durante la ejecución de un experimento de machine learning, lo que registra todos los metadatos en una ubicación central. La ubicación central permitirá analizar, visualizar y auditar todos los experimentos que ejecute. |
2.4 Integración multiplataforma |
Se puede acceder a los resultados históricos de los experimentos y todos sus metadatos en otras partes del sistema. Por ejemplo, las canalizaciones de orquestación existentes pueden acceder a estos datos, al igual que las herramientas de supervisión. |
2.5 Depuración: precisión y rendimiento del sistema |
Existe un marco completo de depuración de modelos para examinar las ejecuciones para lo siguiente:
Cuando el entrenamiento es intensivo, la capacidad de maximizar el rendimiento es crucial y lo convierte en una herramienta necesaria para la optimización de costos. |
