Bagi Lalu Lintas di antara Versi Model
Arahkan persentase permintaan ke model penantang.
Bagi Lalu Lintas di antara Versi Model adalah pelajaran MLOps Academy gratis di CoddyKit. Ini adalah pelajaran 1 dari 4. Kamu bisa membaca pelajaran lengkapnya di bawah secara gratis — lalu praktikkan langsung di browser dengan editor kode bawaan dan tutor AI 24/7. Ini adalah bagian dari jalur belajar MLOps Academy, dan progresmu tersinkronisasi di web dan aplikasi CoddyKit. Kursus MLOps Academy mencakup 4 pelajaran total.
Dua Model, Satu Pengujian Langsung
Anda memiliki model baru yang diyakini lebih baik. Alih-alih menebak, biarkan lalu lintas nyata yang menentukan. Pengujian A/B menjalankan kedua model secara berdampingan pada pengguna langsung. 🔬
Juara dan Penantang
Model yang saat ini berjalan di produksi adalah juara Anda. Kandidat baru yang ingin Anda buktikan adalah penantang. Pengujian ini melihat apakah penantang benar-benar mengungguli juara.
Membagi Lalu Lintas
Gagasan utamanya sederhana: kirim sebagian permintaan ke setiap model. Awalan yang umum adalah 90/10, sehingga sebagian besar pengguna tetap aman menggunakan juara sementara penantang membuktikan kemampuannya.
Perute Kecil
Pembagian dasar cukup menghasilkan angka acak untuk setiap permintaan dan merutekannya berdasarkan batas. Di sini, sepuluh persen lalu lintas mencapai penantang.
import random
def pick_model(challenger_share=0.1):
return "challenger" if random.random() < challenger_share else "champion"Jaga Konsistensi Setiap Pengguna
Pengacakan untuk setiap permintaan membuat pengguna berpindah model pada setiap kunjungan. Sebagai gantinya, hash id pengguna agar orang yang sama selalu diarahkan ke model yang sama.
Hashing untuk Pembagian Tetap
Melakukan hashing pada id pengguna menghasilkan bucket yang stabil. Id yang sama dipetakan ke model yang sama setiap kali, sehingga pengujian tetap bersih.
import hashlib
def bucket(user_id, challenger_share=0.1):
h = int(hashlib.md5(user_id.encode()).hexdigest(), 16)
return "challenger" if (h % 100) < challenger_share * 100 else "champion"Catat Model yang Melayani
Untuk setiap prediksi, catat model yang menanganinya. Tanpa catatan penugasan ini, Anda tidak akan dapat membandingkan kedua kelompok secara adil nantinya. 📝
Mulai Kecil, Lalu Tingkatkan
Mulailah dengan porsi penantang yang kecil untuk membatasi risiko. Saat keyakinan meningkat, naikkan persentasenya secara bertahap, bukan mengalihkan semua orang sekaligus.
Kendalikan Pembagian dengan Konfigurasi
Menetapkan porsi secara langsung dalam kode berarti Anda harus melakukan penerapan ulang untuk mengubahnya. Baca rasio pembagian dari konfigurasi agar Anda dapat menaikkan atau menurunkan lalu lintas tanpa mengirimkan kode baru.
Masukan Sama, Persaingan Adil
Kedua model harus menerima jenis permintaan dan fitur yang sama. Jika kelompoknya berbeda dalam hal pengguna yang dilayani, pemenang apa pun yang Anda temukan mungkin hanya ilusi.
Ini Hanya Perutean
Pada intinya, pengujian A/B adalah lapisan perutean ditambah pencatatan yang cermat. Pastikan pembagian tetap konsisten dan tercatat, maka Anda memiliki dasar untuk perbandingan yang dapat dipercaya. ✅
Pemeriksaan Singkat
Mari kita periksa cara menjaga pembagian tetap bersih.
Ringkasan
Pengujian A/B mengadu model unggulan dengan model penantang melalui pembagian lalu lintas langsung. Lakukan hashing pada pengguna untuk membuat kelompok yang tetap, catat setiap penetapan, dan mulailah dari skala kecil. 🎯
Pertanyaan yang Sering Diajukan
Apakah pelajaran “Bagi Lalu Lintas di antara Versi Model” gratis?
Ya — teks lengkap “Bagi Lalu Lintas di antara Versi Model” gratis dibaca di sini di web. Untuk praktiknya secara interaktif (editor kode bawaan dan tutor AI 24/7) dan buka sisa kursus MLOps Academy, upgrade ke CoddyKit PRO. Kursus MLOps Academy mencakup 4 pelajaran total.
Apa yang akan aku pelajari di “Bagi Lalu Lintas di antara Versi Model”?
Arahkan persentase permintaan ke model penantang. Kamu berlatih MLOps Academy dengan kode praktik yang langsung kamu jalankan di browser, dan tutor AI 24/7 menjawab pertanyaanmu saat kamu mengerjakan pelajaran ini.
Apakah aku perlu pengalaman untuk memulai MLOps Academy?
Tidak diperlukan pengalaman sebelumnya. MLOps Academy di CoddyKit dirancang untuk pemula hingga pelajar tingkat lanjut, jadi kamu bisa memulai di sini atau dari awal dan belajar sesuai kecepatan kamu sendiri. Ini adalah pelajaran 1 dari 4.
Berapa lama pelajaran “Bagi Lalu Lintas di antara Versi Model” memakan waktu?
Sebagian besar pelajaran CoddyKit memakan waktu sekitar 5–10 menit. Setiap pelajaran ringkas dan interaktif, jadi kamu membuat kemajuan stabil dan melanjutkan dari tempat kamu tinggalkan di web dan aplikasi.
Bisakah aku menulis dan menjalankan kode dalam pelajaran MLOps Academy ini?
Ya. Setiap pelajaran MLOps Academy menyertakan editor kode bawaan, jadi kamu menulis dan menjalankan kode nyata langsung di browser dan mendapatkan umpan balik AI instan — tidak diperlukan penyiapan lokal.
Semua pelajaran dalam kursus ini
- Bagi Lalu Lintas di antara Versi Model
- Pilih Metrik yang Penting
- Pahami Signifikansi Tanpa Menipu Diri Sendiri
- Naikkan atau Kembalikan Pemenang