Granskningsspår och reproducerbarhet
Återskapa valfri tidigare prediktion vid behov.
Granskningsspår och reproducerbarhet är en gratis lektion i MLOps Academy på CoddyKit. Detta är lektion 3 av 4. Ni kan läsa hela lektionen gratis nedan och sedan öva praktiskt i webbläsaren med en inbyggd kodredigerare och en AI-handledare som är tillgänglig dygnet runt. Den ingår i lärvägen för MLOps Academy, och Era framsteg synkroniseras mellan webben och CoddyKit-appen. Kursen i MLOps Academy innehåller totalt 4 lektioner.
Vad ett granskningsspår är
Ett granskningsspår är en manipulationsresistent registrering av vem som gjorde vad och när, så att alla modellbeslut kan förklaras långt efter att de fattades. 🧾
Återskapa vilken prediktion som helst
Målet är enkelt men strikt: utifrån en förutsägelse från för flera månader sedan måste Ni återskapa exakt den modell och de indata som gav upphov till den.
Logga varje förutsägelse
För att kunna granska i efterhand ska Ni fånga begäran nu. Spara features, resultatet och modellversionen vid varje anrop.
log = {"ts": now(), "model_version": "3",
"inputs": features, "prediction": y}
prediction_store.write(log)Lås modellversionen
En fristående förutsägelse är oanvändbar vid granskningar. Spara alltid modellversionen tillsammans med den, så att Ni vet exakt vilken modell som svarade.
Från version till build
Härstamningen kopplar versionen tillbaka till dess build. Registerversionen pekar på en MLflow-körning som innehåller de data och den kod som skapade den.
Återskapa körningen
Med körnings-ID:t kan Ni återskapa hela miljön: checka ut den loggade commit-versionen, återställ de låsta datauppsättningarna och kör träningen igen.
run = mlflow.get_run(run_id)
commit = run.data.tags["git_commit"]
subprocess.run(["git", "checkout", commit])Gör loggar oföränderliga
En granskningslogg som kan redigeras bevisar ingenting. Skriv till append-only-lagring, så att poster kan läggas till men aldrig ändras i det tysta.
Behåll en lagringspolicy
Bestäm hur länge poster måste sparas. Reglerade fält kräver ofta retention i flera år, så ange detta medvetet och inte av misstag.
Dokumentera miljön
Kod räcker inte. Logga även de låsta beroendena, eftersom en annan biblioteksversion kan ändra resultatet obemärkt.
mlflow.log_artifact("requirements.txt")Redo för granskning som standard
Tricket är att göra spårningen automatisk. När loggning sker vid varje körning och begäran är Ni alltid redo för en granskning i stället för att behöva skynda er i sista stund. ✅
Spela upp för att verifiera
För att bevisa ett resultat matar Ni de loggade indata tillbaka in i den återskapade modellen. Ett matchande resultat bekräftar att spåret verkligen är reproducerbart.
Snabbkontroll
Tänk på vad Ni måste logga för att kunna återskapa en gammal förutsägelse.
Sammanfattning
Ni såg hur granskningsspår loggar varje förutsägelse med dess version, skriver oföränderligt och använder härstamning för att helt återskapa tidigare resultat. ✅
Lär dig Python med en AI-lärare – gratis
Skriv och kör riktig kod i webbläsaren, få omedelbar hjälp av en AI-lärare dygnet runt och fortsätt där du slutade – på webben eller i appen.
- Kurser
- 30
- Lektioner
- 120
Vanliga frågor
Är lektionen ”Granskningsspår och reproducerbarhet” gratis?
Ja – hela texten till ”Granskningsspår och reproducerbarhet” kan läsas gratis här på webben. Om Ni vill öva interaktivt med en inbyggd kodredigerare och en AI-handledare som är tillgänglig dygnet runt och låsa upp resten av kursen i MLOps Academy, kan Ni uppgradera till CoddyKit PRO. Kursen i MLOps Academy innehåller totalt 4 lektioner.
Vad lär jag mig i ”Granskningsspår och reproducerbarhet”?
Återskapa valfri tidigare prediktion vid behov. Ni övar på MLOps Academy med praktisk kod som körs direkt i webbläsaren, medan en AI-handledare som är tillgänglig dygnet runt svarar på Era frågor under lektionen.
Behöver jag någon erfarenhet för att börja lära mig MLOps Academy?
Du behöver inga förkunskaper. Utbildningen i MLOps Academy på CoddyKit är upplagd för allt från nybörjare till avancerade elever, så att du kan börja här eller från början och gå fram i din egen takt. Detta är lektion 3 av 4.
Hur lång tid tar lektionen ”Granskningsspår och reproducerbarhet”?
De flesta CoddyKit-lektioner tar cirka 5–10 minuter. Varje lektion är kort och interaktiv, så att du gör stadiga framsteg och kan fortsätta precis där du slutade – på webben eller i appen.
Kan jag skriva och köra kod i den här MLOps Academy-lektionen?
Ja. Varje MLOps Academy-lektion innehåller en inbyggd kodredigerare, så att du kan skriva och köra riktig kod direkt i webbläsaren och få omedelbar AI-feedback – utan lokal installation.
Alla lektioner i den här kursen
- Spåra data-till-modell-linjen
- Skriv modellkort
- Granskningsspår och reproducerbarhet
- Åtkomstkontroll och efterlevnad