Jäljitä datan ja mallin alkuperäketju
Yhdistä käyttöön otettu malli täsmälliseen dataan ja koodiin, joista se syntyi.
Jäljitä datan ja mallin alkuperäketju on ilmainen MLOps Academy-oppitunti CoddyKitissä. Tämä on oppitunti 1/4. Voit lukea koko oppitunnin alta ilmaiseksi ja harjoitella sen jälkeen käytännössä selaimessa sisäänrakennetulla koodieditorilla ja ympäri vuorokauden käytettävissä olevan tekoälytuutorin avulla. Oppitunti kuuluu MLOps Academy-oppimispolkuun, ja edistymisesi synkronoituu verkon ja CoddyKit-sovelluksen välillä. MLOps Academy-kurssilla on yhteensä 4 oppituntia.
Mitä lineage tarkoittaa
Lineage on dokumentoitu ketju, joka yhdistää tuotantoon viedyn mallin täsmälliseen dataan, koodiin ja konfiguraatioon, joiden avulla se tuotettiin. 🔗
Miksi sitä tarvitaan
Kun ennuste kyseenalaistetaan, lineagen avulla voitte vastata vaikeaan kysymykseen: mikä data ja mikä koodiversio loivat tämän mallin?
Kolme seurattavaa lähtökohtaa
Jokaisella koulutetulla mallilla on kolme seuraamisen arvoista lähtökohtaa: datasetin versio, koulutuskoodin commit ja ajon parametrit.
Kiinnittäkää koodin commit
Lokittakaa täsmällinen Git-commit-hajautusarvo jokaisen ajon yhteydessä, jotta tiedätte aina, mikä koodi koulutti mallin.
import subprocess
commit = subprocess.check_output(["git", "rev-parse", "HEAD"]).decode().strip()
mlflow.set_tag("git_commit", commit)Kiinnittäkää dataversio
Tallentakaa myös dataversio. DVC:ssä datan hajautusarvo sijaitsee Gitissä, joten commit osoittaa jo yhteen täsmälliseen datasetin tilaan.
MLflow tallentaa yhteyden
MLflow tallentaa parametrit, mittarit ja tunnisteet ajoittain, joten lokitettu malli sisältää jo viitteet siihen, miten se rakennettiin. 🧾
mlflow.log_param("data_path", "data/train.csv")
mlflow.log_metric("f1", 0.91)
mlflow.sklearn.log_model(model, "model")Merkitkää ajo kattavasti
Tunnisteet ovat ilmaista metadataa. Liittäkää mukaan datasetin hajautusarvo, ympäristön nimi ja tekijä, jotta ajo kertoo myöhemmin itse oman tarinansa.
mlflow.set_tag("dataset_hash", "a1b2c3")
mlflow.set_tag("author", "team-fraud")Lineage on graafi
Ajatelkaa lineagea graafina: datasolmut johtavat koulutusajoon, siitä malliin ja mallista tuotantoonvientiin.
Jäljittäkää eteen- ja taaksepäin
Hyvä lineage toimii molempiin suuntiin. Taaksepäin jäljittäminen kertoo, mikä rakensi tämän mallin; eteenpäin jäljittäminen kertoo, mihin malleihin datasetti vaikutti.
Lukekaa lineage ajosta
Voitte hakea aiemman ajon tunnisteella ja lukea sen tunnisteista, mitkä data ja commit tuottivat mallin.
run = mlflow.get_run(run_id)
print(run.data.tags["git_commit"])
print(run.data.tags["dataset_hash"])Työkalut tähän
MLflow, DVC ja OpenLineagen kaltaiset työkalut tallentavat nämä yhteydet automaattisesti, joten teidän ei tarvitse koota lineagea käsin.
Pikatarkistus
Testatkaa, ymmärrättekö, mitä lineage oikeastaan yhdistää.
Kertaus
Opitte, että lineage yhdistää mallin sen dataan, koodiin ja parametreihin. Tiedot tallennetaan ajon tunnisteina, joten jokainen malli on täysin jäljitettävissä. ✅
Opi Python tekoälytuutorin avulla — ilmaiseksi
Kirjoita ja suorita oikeaa koodia selaimessa, saa välitöntä apua tekoälytuutorilta ympäri vuorokauden ja jatka siitä, mihin jäit, verkossa tai sovelluksessa.
- Kurssit
- 30
- Oppitunnit
- 120
Usein kysytyt kysymykset
Onko oppitunti ”Jäljitä datan ja mallin alkuperäketju” ilmainen?
Kyllä – oppitunnin ”Jäljitä datan ja mallin alkuperäketju” koko tekstin voi lukea täällä verkossa ilmaiseksi. Jos haluat harjoitella interaktiivisesti sisäänrakennetulla koodieditorilla ja ympäri vuorokauden käytettävissä olevan tekoälytuutorin avulla sekä avata koko MLOps Academy-kurssin, päivitä CoddyKit PROhon. MLOps Academy-kurssilla on yhteensä 4 oppituntia.
Mitä opin oppitunnilla ”Jäljitä datan ja mallin alkuperäketju”?
Yhdistä käyttöön otettu malli täsmälliseen dataan ja koodiin, joista se syntyi. Harjoittelet MLOps Academy-aihetta koodilla, jonka suoritat suoraan selaimessa. Ympäri vuorokauden käytettävissä oleva tekoälytuutori vastaa kysymyksiisi oppitunnin aikana.
Tarvitsenko kokemusta aloittaakseni MLOps Academy-opiskelun?
Aiempi kokemus ei ole tarpeen. CoddyKitin MLOps Academy-oppimispolku sopii vasta-alkajista edistyneisiin, joten voit aloittaa tästä tai alusta ja edetä omaan tahtiisi. Tämä on oppitunti 1/4.
Kuinka kauan ”Jäljitä datan ja mallin alkuperäketju”-oppitunnin suorittaminen kestää?
Useimmat CoddyKitin oppitunnit kestävät noin 5–10 minuuttia. Jokainen oppitunti on lyhyt ja interaktiivinen, joten edistyt tasaisesti ja voit jatkaa siitä, mihin jäit – sekä verkossa että sovelluksessa.
Voinko kirjoittaa ja suorittaa koodia tällä MLOps Academy-oppitunnilla?
Kyllä. Jokainen MLOps Academy-oppitunti sisältää sisäänrakennetun koodieditorin, joten voit kirjoittaa ja suorittaa oikeaa koodia suoraan selaimessa ja saada välitöntä palautetta tekoälyltä – paikallista asennusta ei tarvita.
Kaikki tämän kurssin oppitunnit
- Jäljitä datan ja mallin alkuperäketju
- Kirjoita Model Cardit
- Auditointijäljet ja toistettavuus
- Käyttöoikeuksien hallinta ja vaatimustenmukaisuus