기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.
2. 실험
실험에는 실험 로깅, 추적 및 지표가 포함됩니다. 이는 플랫폼, 소스 제어 및 개발 환경에서 메타데이터 통합을 실험하는 것으로 해석됩니다. 또한 실험에는 디버깅을 통해 모델 성능과 정확도를 최적화할 수 있는 기능도 포함됩니다.
2.1 통합 개발 환경 |
통합 개발 환경(IDE)은 클라우드와 직접 통합됩니다. IDE는와 상호 작용하고 더 큰 시스템에 명령을 제출할 수 있습니다. 이상적으로는 다음을 지원합니다.
|
2.2 코드 버전 관리 |
재현성과 재사용성을 보장하기 위해 모든 코드는 적절한 버전 관리를 통해 소스 리포지토리에 커밋됩니다. 여기에는 인프라 코드, 애플리케이션 코드, 모델 코드, 노트북(사용하기로 선택한 경우)도 포함됩니다. |
2.3 추적 |
ML 프로젝트에는 기계 학습 실험을 추적하고 분석할 수 있는 도구가 필요합니다. 이 도구는 기계 학습 실험 실행 중에 모든 지표, 파라미터 및 아티팩트를 로깅하여 모든 메타데이터를 중앙 위치에 기록해야 합니다. 중앙 위치는 실행하는 모든 실험을 분석, 시각화 및 감사할 수 있는 기능을 제공합니다. |
2.4 교차 플랫폼 통합 |
실험 및 모든 메타데이터에 대한 기록 결과는 시스템의 다른 부분에서 액세스할 수 있습니다. 예를 들어, 모니터링 도구와 마찬가지로 마련된 오케스트레이션 파이프라인이이 데이터에 액세스할 수 있습니다. |
2.5 디버깅: 정확도 및 시스템 성능 |
다음에 대한 실행을 검사하기 위한 포괄적인 모델 디버깅 프레임워크가 마련되어 있습니다.
훈련이 집약적인 경우 처리량을 극대화하는 기능이 중요하며 이를 비용 최적화에 필요한 도구로 삼습니다. |
