As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.
Automatizando a manutenção de um modelo de classificação de imagens
Depois que seu modelo de classificação de imagens for implantado e disponibilizado para uso, ele poderá exigir alguma manutenção. Considere os seguintes cenários de exemplo:
-
Um modelo classifica as cultivares de milho para ajudar os trabalhadores durante a época da colheita. Com o tempo, a aparência das cultivares de milho está mudando lentamente e, em certos pontos, novas cultivares podem ser introduzidas.
-
Um modelo determina o tipo de veículo estacionado em uma vaga em uma garagem. Ele realiza uma classificação refinada para o modelo, marca e ano de um veículo. Ele deve ser atualizado todos os anos para os novos modelos lançados.
-
Um modelo é treinado em postagens de mídia social para detectar sentimentos em relação a diferentes entidades e tópicos. O modelo precisa se manter atualizado para novos tópicos, entidades, expressões idiomáticas e símbolos de emoji.
Em todos esses cenários, os modelos exigem reciclagem periódica. O novo treinamento é necessário com base no desvio do modelo (as propriedades dos dados de entrada mudaram com o tempo) ou devido às atualizações necessárias para que o modelo manipule uma tarefa modificada. A criação de pipelines de operações de ML em AWS pode ser realizada em vários níveis de abstração. O mais flexível e abstrato é usar AWS Step Functions para criar o fluxo de trabalho para manutenção do modelo.
Para ver um exemplo de um pipeline de operações de ML, consulte MLOps End-to-EndExemplo de uso do Amazon SageMaker AI Pipeline e assim AWS CDK
