2. Eksperimen

Eksperimen mencakup pencatatan eksperimen, pelacakan, dan metrik. Ini diterjemahkan menjadi eksperimen 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	Integrated Development Environment (IDE) terintegrasi langsung dengan cloud. IDE dapat berinteraksi dengan dan mengirimkan perintah ke sistem yang lebih besar. Idealnya, ini mendukung yang 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 penggunaan kembali, semua kode dimasukkan ke dalam repositori sumber dengan kontrol versi yang tepat. Ini termasuk kode infrastruktur, kode aplikasi, kode model, dan bahkan buku catatan (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 pusat akan memberikan kemampuan untuk menganalisis, memvisualisasikan, dan mengaudit semua eksperimen yang Anda jalankan.
2.4 Integrasi lintas platform	Hasil historis untuk eksperimen dan semua metadatanya dapat diakses di bagian lain sistem. Misalnya, jaringan pipa orkestrasi yang ada dapat mengakses data ini, seperti halnya alat pemantauan.
2.5 Debugging: akurasi dan kinerja sistem	Kerangka kerja debugging model yang komprehensif tersedia untuk memeriksa proses untuk hal-hal berikut: Temukan kemacetan Waspada tentang anomali Maksimalkan pemanfaatan sumber daya Bantuan dalam analisis eksperimen Ketika pelatihan intensif, kemampuan untuk memaksimalkan throughput sangat penting dan menjadikannya alat yang diperlukan untuk optimalisasi biaya.