2. Sperimentazione

La sperimentazione include la registrazione, il tracciamento e le metriche degli esperimenti. Ciò si traduce nell'integrazione dei metadati sperimentali sulla piattaforma, nel controllo del codice sorgente e negli ambienti di sviluppo. La sperimentazione include anche la possibilità di ottimizzare le prestazioni e la precisione del modello tramite il debug.

2.1 Ambienti di sviluppo integrati	Un ambiente di sviluppo integrato (IDE) è integrato direttamente con il cloud. L'IDE può interagire e inviare comandi al sistema più grande. Idealmente, supporta quanto segue: Sviluppo locale Integrazione del controllo delle versioni Il debug è in atto, con tutti i log e gli artefatti generati che entrano nel controllo della versione
2.2 Controllo della versione del codice	Per garantire la riproducibilità e la riusabilità, tutto il codice viene salvato nell'archivio dei sorgenti con un adeguato controllo della versione. Ciò include il codice dell'infrastruttura, il codice dell'applicazione, il codice del modello e persino i notebook (se si sceglie di utilizzarli).
2.3 Tracciamento	Un progetto di machine learning richiede uno strumento in grado di tracciare e analizzare esperimenti di machine learning. Questo strumento dovrebbe registrare tutte le metriche, i parametri e gli artefatti durante l'esecuzione di un esperimento di machine learning, registrando tutti i metadati in una posizione centrale. La posizione centrale offrirà la possibilità di analizzare, visualizzare e controllare tutti gli esperimenti eseguiti.
2.4 Integrazione multipiattaforma	I risultati storici degli esperimenti e tutti i relativi metadati sono accessibili in altre parti del sistema. Ad esempio, le pipeline di orchestrazione esistenti possono accedere a questi dati, così come gli strumenti di monitoraggio.
2.5 Debug: precisione e prestazioni del sistema	È disponibile un framework completo per il debug dei modelli che consente di esaminare le esecuzioni relative a quanto segue: Trova i colli di bottiglia Avviso sulle anomalie Massimizza l'utilizzo delle risorse Aiuto nell'analisi degli esperimenti Quando la formazione è intensiva, la capacità di massimizzare la produttività è fondamentale e lo rende uno strumento necessario per l'ottimizzazione dei costi.