Публикации по теме 'data-drift'
«Оставаясь впереди игры: использование PSI и CSI для обеспечения актуальности ваших данных и моделей»
Вы когда-нибудь обращались за кредитом или кредитной картой и задавались вопросом, как банк решает, одобрить или отклонить вашу заявку? Банки используют модели кредитного скоринга для оценки риска кредитования заявителей. Но как работают эти модели и как банки обеспечивают их точность с течением времени? В этом сообщении блога мы обсудим важность стабильности данных в кредитном скоринге и то, как два важных показателя в науке о данных, индекс стабильности населения (PSI) и индекс..
Следите за своими моделями: 5 способов внедрить мониторинг машинного обучения в производство
Подходы к мониторингу дрейфа данных, дрейфа концепций, качества данных и объяснимости
Модели машинного обучения (ML) являются основой современных бизнес-операций, обеспечивая непревзойденную автоматизацию и оптимизацию. Но вот в чем загвоздка: развертывание моделей машинного обучения — это только начало пути. Мониторинг их производительности в производстве необходим для обеспечения того, чтобы они продолжали соответствовать ожидаемым результатам. В этом сообщении блога мы обсудим пять..
Обнаружение дрейфа данных с помощью машинного обучения
Обнаружение дрейфа данных с помощью машинного обучения
Узнайте о снижении производительности ваших моделей машинного обучения с помощью простого автоматизированного процесса.
Данные со временем меняются. Это часто непредсказуемо и необъявлено. Эти изменения приводят к тому, что модель, основанная на старых данных, несовместима с новыми данными. Производительность модели ухудшается, и вам необходимо переобучить модель, добавив новые данные. В этом посте объясняются три различных..
Идеальное алиби: обнаружение дрейфа данных с помощью Alibi Detect
Хороший солнечный день. Приходя на работу в качестве крутого инженера машинного обучения, вы только начинаете чувствовать себя хорошо, и все результаты автономной оценки вашей системы рекомендаций фильмов зашкаливают. Как только вы начинаете чувствовать уверенность в себе, вы смотрите на средние оценки вашей системы рекомендаций. Что-то кажется действительно неправильным. Ваше замешательство заставляет вас лихорадочно искать ответы в Интернете, где вы узнаете, что все это вызвано..
Потрясающий ученый данных был найден без сознания после развертывания модели без MLOps
ПОДОЖДИ! При переобучении модели не вносите изменения непосредственно в производственной среде. Давайте изучим способы MLOps.
Оценка онлайн и офлайн
После обучения набора моделей для замены модели в производственной среде их производительность необходимо оценить по отношению к ним самим и модели в производственной среде на фиксированном наборе данных. Это называется автономной оценкой.
Во время этого процесса все сведения о версиях модели должны регистрироваться в централизованном..
Понимание сдвигов распределения данных в машинном обучении (часть I): сдвиг ковариации
Растущее число моделей машинного обучения (ML), развернутых в производственной среде, привело к тому, что i.i.d. * стал еще одним примером принятия желаемого за действительное. Мир меняется. Данные меняются. Однако модели ML остаются прежними. Они не адаптируются автоматически (пока). Чтобы принять правильное решение о том, когда и как адаптировать модель, вам необходимо отслеживать изменения данных, которые влияют на вашу модель.
В этой серии из трех статей я рассмотрю основные..
Мониторинг ИИ в производстве: введение в NannyML
Специалисты по данным и специалисты по данным все больше заинтересованы в том, чтобы научиться обучать модели машинного обучения и глубокого обучения, начиная от простых и заканчивая сложными. Им также интересно, как разместить эти модели в облаке.
Но одна вещь, которая разожгла мое любопытство, это то, что мало говорится о том, что происходит, когда модели запускают в производство!!
Проблема, которую следует подчеркнуть
Рассмотрим реальный сценарий, в котором я, будучи специалистом..
