Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.
Automatisation de la maintenance d'un modèle de classification d'images
Une fois que votre modèle de classification d'images est déployé et prêt à être utilisé, il peut nécessiter une certaine maintenance. Prenons les exemples de scénarios suivants :
-
Un modèle classe les cultivars de maïs pour aider les travailleurs pendant la période de récolte. Au fil du temps, l'apparence des cultivars de maïs change lentement et, à certains moments, de nouveaux cultivars peuvent être introduits.
-
Un modèle détermine le type de véhicule garé à une place dans un garage de stationnement. Il effectue une classification fine pour le modèle, la marque et l'année d'un véhicule. Il doit être mis à jour chaque année pour les nouveaux modèles sortis.
-
Un modèle est formé sur les publications sur les réseaux sociaux afin de détecter les sentiments à l'égard de différentes entités et sujets. Le modèle doit rester à jour pour tenir compte des nouveaux sujets, entités, expressions idiomatiques et symboles emoji.
Dans tous ces scénarios, les modèles nécessitent un recyclage périodique. Le réentraînement est nécessaire en fonction de la dérive du modèle (les propriétés des données d'entrée ont changé au fil du temps) ou en raison des mises à jour requises pour que le modèle puisse gérer une tâche modifiée. La création de pipelines d'opérations ML dans AWS peut être poursuivie à plusieurs niveaux d'abstraction. Le plus flexible et le plus abstrait est à utiliser pour AWS Step Functions créer le flux de travail pour la maintenance des modèles.
Pour un exemple de pipeline d'opérations ML, consultez MLOps End-to-EndExemple d'utilisation d'Amazon SageMaker AI Pipeline AWS CodePipeline, AWS CDK
