翻訳は機械翻訳により提供されています。提供された翻訳内容と英語版の間で齟齬、不一致または矛盾がある場合、英語版が優先します。
2. 実験
実験には、実験のログ記録、追跡、メトリクスが含まれます。これが、プラットフォーム全体、ソース管理、開発環境における実験メタデータの統合に変換されます。実験には、デバッグを通じてモデルのパフォーマンスと精度を最適化する機能も含まれます。
2.1 統合開発環境 |
統合開発環境 (IDE) はクラウドと直接統合されます。IDE はより大きなシステムとやり取りし、コマンドを送信できます。理想的な IDE は以下をサポートします。
|
2.2 コードバージョン管理 |
再現性と再利用性を確保するために、すべてのコードは適切なバージョン管理がされた上でソースリポジトリにコミットされます。これには、インフラストラクチャコード、アプリケーションコード、モデルコード、さらにはノートブック (使うことを選択した場合) も含まれます。 |
2.3 追跡 |
ML プロジェクトには、機械学習実験を追跡および分析できるツールが必要です。このツールは、機械学習実験の実行中にすべてのメトリクス、パラメータ、アーティファクトを記録し、すべてのメタデータを一元的に記録する必要があります。一元管理により、実行するすべての実験を分析、視覚化、監査することができます。 |
2.4 クロスプラットフォーム統合 |
過去の実験結果とそのすべてのメタデータは、システムの他の部分でアクセスできます。例えば、モニタリングツールと同様に、所定のオーケストレーションパイプラインがこのデータにアクセスできます。 |
2.5 デバッグ: 精度とシステムパフォーマンス |
以下について実験を調査するための包括的なモデルデバッグフレームワークが導入されています。
トレーニングの負荷が高い場合、スループットを最大化できることが重要であるため、コスト最適化に欠かせないツールとなります。 |
