ให้คะแนนแบบกลุ่มตามกำหนดเวลา
สร้างผลพยากรณ์จากชุดข้อมูลทั้งชุดและจัดเก็บผลลัพธ์
ให้คะแนนแบบกลุ่มตามกำหนดเวลา เป็นบทเรียน MLOps Academy ฟรีบน CoddyKit นี่คือบทเรียนที่ 1 จากทั้งหมด 4 บทเรียน คุณสามารถอ่านบทเรียนทั้งหมดด้านล่างฟรี — จากนั้นลองปฏิบัติด้วยตัวคุณเองในเบราว์เซอร์พร้อมตัวแก้ไขโค้ดในตัวและติวเตอร์ AI ตลอด 24/7 บทเรียนนี้เป็นส่วนหนึ่งของเส้นทางการเรียน MLOps Academy และความก้าวหน้าของคุณจะซิงค์ข้ามเว็บและแอป CoddyKit คอร์ส MLOps Academy มีบทเรียนทั้งหมด 4 บทเรียน
การให้คะแนนแบบกลุ่มคืออะไร
การให้คะแนนแบบกลุ่มจะเรียกใช้โมเดลกับชุดข้อมูลทั้งหมดในครั้งเดียวตามกำหนดเวลา และบันทึกการทำนายทุกค่าไว้ใช้ภายหลัง 📦
ไม่มีผู้ใช้รอคำตอบ
ในโหมดกลุ่ม ไม่มีใครรอคำตอบแบบสด งานจะทำงานแบบออฟไลน์ ดังนั้นการใช้เวลาสองสามนาทีหรือหลายชั่วโมงจึงไม่ใช่ปัญหา
ตัวอย่างคลาสสิก
ลองนึกถึงการให้คะแนนความเสี่ยงที่ลูกค้าจะเลิกใช้บริการสำหรับลูกค้าทุกคนในแต่ละคืน งานหนึ่งงานจะอ่านตาราง ทำนายให้ทุกแถว แล้วเขียนผลลัพธ์กลับไป
อ่าน ทำนาย เขียน
งานแบบเป็นชุดทุกงานมีรูปแบบเดียวกัน ได้แก่ โหลดข้อมูลนำเข้า เรียกใช้ predict กับข้อมูลนั้น แล้วจัดเก็บผลลัพธ์ไว้ในที่ที่ผู้ใช้สามารถอ่านได้
df = load_data()
preds = model.predict(df)
save(df.assign(score=preds))ทำนายข้อมูลหลายแถว
โมเดลทำงานได้ดีกับอาร์เรย์ การส่ง DataFrame ทั้งชุดไปให้ predict เร็วกว่าการวนทีละแถวมาก เพราะงานจะถูกประมวลผลแบบเวกเตอร์
preds = model.predict(df[features])ผลลัพธ์อยู่ที่ใด
ผลการทำนายแบบเป็นชุดจะถูกเก็บลงใน ตาราง ไฟล์ หรือคลังข้อมูล จากนั้นแอปก็เพียงค้นหาคะแนนที่จัดเก็บไว้ แทนการเรียกใช้โมเดลแบบสด
เรียกใช้งานตามกำหนดเวลา
ตัวจัดตารางเวลาอย่าง cron หรือ Airflow จะเรียกใช้งานตามเวลาที่กำหนดไว้แน่นอน ความถี่นี้อาจเป็นรายชั่วโมง รายคืน หรือรายสัปดาห์ เพื่อให้เหมาะกับความเร็วที่ข้อมูลเปลี่ยนแปลง
# crontab: run every day at 2am
0 2 * * * python score_batch.pyเหตุใดการประมวลผลแบบเป็นชุดจึงประหยัด
คุณเปิดใช้ทรัพยากรประมวลผล ประเมินผลข้อมูลทั้งหมด แล้วปิดการใช้งาน รูปแบบการทำงานแบบ เป็นช่วง นี้ทำให้คุณจ่ายเฉพาะจำนวนนาทีที่งานทำงานจริงเท่านั้น
ความใหม่ของข้อมูลคือสิ่งที่ต้องแลก
สิ่งที่ต้องแลกของการประมวลผลแบบเป็นชุดคือความล้าสมัย คะแนนจากเมื่อคืนอาจเก่าหลายชั่วโมง ดังนั้นวิธีนี้จึงเหมาะกับกรณีที่ยอมรับคำตอบที่ ล้าสมัยเล็กน้อย ได้
ทำซ้ำได้และปลอดภัย
ออกแบบงานให้การเรียกใช้งานซ้ำได้ผลลัพธ์เดิม งานที่ ทำซ้ำได้โดยไม่ก่อผลข้างเคียง สามารถลองใหม่หลังเกิดข้อผิดพลาดได้โดยไม่สร้างข้อมูลซ้ำ
เมื่อใดควรเลือกการประมวลผลแบบเป็นชุด
เลือกการประมวลผลแบบเป็นชุดเมื่อการทำนายครอบคลุมรายการที่ทราบล่วงหน้า ยอมรับความใหม่ของข้อมูลในระดับชั่วโมงได้ และต้องการ ความเรียบง่ายกับต้นทุนต่ำมากกว่าคำตอบทันที
ตรวจสอบอย่างรวดเร็ว
ข้อเสียหลักของการประเมินผลแบบเป็นชุดคืออะไร
สรุปทบทวน
การประเมินผลแบบเป็นชุดจะทำนายข้อมูลทั้งชุดตาม กำหนดเวลา จัดเก็บผลลัพธ์เพื่อให้ค้นหาได้รวดเร็ว และแลกความใหม่ของข้อมูลกับต้นทุนต่ำและความเรียบง่าย
คำถามที่พบบ่อย
บทเรียน “ให้คะแนนแบบกลุ่มตามกำหนดเวลา” ฟรีหรือไม่
ใช่ — ข้อความเต็มของ “ให้คะแนนแบบกลุ่มตามกำหนดเวลา” ฟรีให้อ่านที่นี่บนเว็บ เพื่อปฏิบัติแบบโต้ตอบ (ตัวแก้ไขโค้ดในตัวและติวเตอร์ AI ตลอด 24/7) และปลดล็อคส่วนที่เหลือของคอร์ส MLOps Academy ให้อัปเกรดเป็น CoddyKit PRO คอร์ส MLOps Academy มีบทเรียนทั้งหมด 4 บทเรียน
คุณจะเรียนรู้อะไรในบทเรียน “ให้คะแนนแบบกลุ่มตามกำหนดเวลา”
สร้างผลพยากรณ์จากชุดข้อมูลทั้งชุดและจัดเก็บผลลัพธ์ คุณปฏิบัติ MLOps Academy ด้วยโค้ดที่ใช้งานได้จริงที่คุณเรียกใช้โดยตรงในเบราว์เซอร์ และติวเตอร์ AI ตลอด 24/7 ตอบคำถามของคุณขณะที่คุณไปผ่านบทเรียน
คุณต้องมีประสบการณ์ก่อนที่จะเริ่มเรียน MLOps Academy หรือไม่
ไม่จำเป็นต้องมีประสบการณ์มาก่อน MLOps Academy บน CoddyKit ออกแบบมาสำหรับผู้เริ่มต้นไปจนถึงผู้เรียนขั้นสูง คุณสามารถเริ่มต้นที่นี่หรือเริ่มจากตัวแรกและเรียนด้วยความเร็วของคุณเอง นี่คือบทเรียนที่ 1 จากทั้งหมด 4 บทเรียน
บทเรียน “ให้คะแนนแบบกลุ่มตามกำหนดเวลา” ใช้เวลานานแค่ไหน
บทเรียน CoddyKit ส่วนใหญ่ใช้เวลาประมาณ 5–10 นาที แต่ละบทเรียนจึงสั้นและเป็นแบบโต้ตอบ คุณสามารถก้าวหน้าอย่างต่อเนื่องและกลับมาเรียนต่อจากตรงที่เพิ่งหยุดบนเว็บและแอปได้เลย
ฉันเขียนและรันโค้ดในบทเรียน MLOps Academy นี้ได้ไหม
ได้ บทเรียน MLOps Academy ทุกบทมีตัวแก้ไขโค้ดในตัว คุณจึงเขียนและรันโค้ดจริงได้เลยในเบราว์เซอร์ และได้รับข้อเสนอแนะจาก AI ในทันที — ไม่ต้องติดตั้งในเครื่องของคุณ
บทเรียนทั้งหมดในหลักสูตรนี้
- ให้คะแนนแบบกลุ่มตามกำหนดเวลา
- การอนุมานออนไลน์แบบเรียลไทม์
- ข้อแลกเปลี่ยนระหว่างเวลาแฝง ปริมาณงาน และต้นทุน
- คำนวณผลพยากรณ์ล่วงหน้าและแคชไว้