2. Eksperimen - AWS Bimbingan Preskriptif

Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.

2. Eksperimen

Eksperimen mencakup pencatatan eksperimen, pelacakan, dan metrik. Ini berarti bereksperimen integrasi metadata di seluruh platform, dalam kontrol sumber, dan dalam lingkungan pengembangan. Eksperimen juga mencakup kemampuan mengoptimalkan kinerja dan akurasi model melalui debugging.

2.1 Lingkungan pengembangan terintegrasi

Lingkungan pengembangan terintegrasi (IDE) terintegrasi langsung dengan cloud. IDE dapat berinteraksi dengan dan mengirimkan perintah ke sistem yang lebih besar. Idealnya, ini mendukung hal berikut:

  • Pembangunan lokal

  • Integrasi kontrol versi

  • Debugging di tempat, dengan semua log dan artefak yang dihasilkan masuk ke kontrol versi

2.2 Kontrol versi kode

Untuk membantu memastikan reproduktifitas dan usabilitas, semua kode berkomitmen ke dalam repositori sumber dengan kontrol versi yang tepat. Ini termasuk kode infrastruktur, kode aplikasi, kode model, dan bahkan notebook (jika Anda memilih untuk menggunakannya).

2.3 Pelacakan

Proyek ML membutuhkan alat yang dapat melacak dan menganalisis eksperimen pembelajaran mesin. Alat ini harus mencatat semua metrik, parameter, dan artefak selama percobaan pembelajaran mesin dijalankan, merekam semua metadata ke lokasi pusat. Lokasi sentral akan memberikan kemampuan untuk menganalisis, memvisualisasikan, dan mengaudit semua eksperimen yang Anda jalankan.

2.4 Integrasi lintas platform

Hasil historis untuk eksperimen dan semua metadata mereka dapat diakses di bagian lain dari sistem. Misalnya, jaringan pipa orkestrasi di tempat dapat mengakses data ini, seperti halnya alat pemantauan.

2.5 Debugging: akurasi dan kinerja sistem

Kerangka kerja debugging model yang komprehensif tersedia untuk memeriksa berjalan sebagai berikut:

  • Temukan kemacetan

  • Waspada tentang anomali

  • Maksimalkan pemanfaatan sumber daya

  • Bantuan dalam analisis eksperimen

Ketika pelatihan intensif, kemampuan untuk memaksimalkan throughput sangat penting dan menjadikan ini alat yang diperlukan untuk optimasi biaya.