ติดตามสายสืบทอดจากข้อมูลสู่โมเดล
เชื่อมโมเดลที่ติดตั้งใช้งานกลับไปยังข้อมูลและโค้ดที่แน่นอน
ติดตามสายสืบทอดจากข้อมูลสู่โมเดล 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
สายที่มาของข้อมูลหมายถึงอะไร
สายที่มาของข้อมูลคือห่วงโซ่ที่มีการบันทึกเอกสารและเชื่อมโยงโมเดลที่นำไปใช้งานแล้วกลับไปยังข้อมูล โค้ด และการตั้งค่าที่แน่นอนซึ่งสร้างโมเดลนั้น 🔗
ทำไมคุณจึงต้องมีสิ่งนี้
เมื่อมีผู้ตั้งคำถามกับผลการทำนาย สายที่มาของข้อมูลช่วยให้คุณตอบคำถามยาก ๆ ได้ว่า ข้อมูลใดและโค้ดรุ่นใดสร้างโมเดลนี้
อินพุตสามอย่างที่ต้องติดตาม
โมเดลที่ฝึกแล้วทุกโมเดลมีต้นกำเนิดสามอย่างที่ควรติดตาม ได้แก่ รุ่นของชุดข้อมูล การส่งโค้ดฝึกขึ้นระบบ และพารามิเตอร์ของการเรียกใช้
ตรึงการส่งโค้ด
บันทึกแฮชของการส่งโค้ด Git ที่แน่นอนพร้อมการเรียกใช้แต่ละครั้ง เพื่อให้คุณทราบเสมอว่าโค้ดใดฝึกโมเดล
import subprocess
commit = subprocess.check_output(["git", "rev-parse", "HEAD"]).decode().strip()
mlflow.set_tag("git_commit", commit)ตรึงรุ่นของข้อมูล
บันทึกรุ่นของข้อมูลด้วย สำหรับ DVC แฮชข้อมูลจะอยู่ใน Git ดังนั้นการส่งโค้ดจึงชี้ไปยังสถานะที่แน่นอนของชุดข้อมูลหนึ่งชุดอยู่แล้ว
MLflow เก็บลิงก์ไว้
MLflow บันทึกพารามิเตอร์ เมตริก และแท็กต่อการเรียกใช้ ดังนั้นโมเดลที่บันทึกไว้จึงมีตัวชี้ไปยังวิธีที่โมเดลถูกสร้างอยู่แล้ว 🧾
mlflow.log_param("data_path", "data/train.csv")
mlflow.log_metric("f1", 0.91)
mlflow.sklearn.log_model(model, "model")กำกับการเรียกใช้อย่างละเอียด
แท็กคือข้อมูลกำกับที่ไม่มีค่าใช้จ่าย ให้แนบแฮชของชุดข้อมูล ชื่อสภาพแวดล้อม และผู้เขียน เพื่อให้การเรียกใช้บอกเรื่องราวของตัวเองได้ในภายหลัง
mlflow.set_tag("dataset_hash", "a1b2c3")
mlflow.set_tag("author", "team-fraud")สายที่มาของข้อมูลคือกราฟ
ลองนึกภาพสายที่มาของข้อมูลเป็นกราฟ โหนดข้อมูลไหลเข้าสู่การเรียกใช้เพื่อฝึก ซึ่งไหลเข้าสู่โมเดล และไหลต่อไปยังการนำไปใช้งาน
ติดตามไปข้างหน้าและย้อนกลับ
สายที่มาของข้อมูลที่ดีทำงานได้ทั้งสองทิศทาง การย้อนกลับตอบว่าอะไรสร้างโมเดลนี้ ส่วนการติดตามไปข้างหน้าตอบว่าชุดข้อมูลส่งผลต่อโมเดลใดบ้าง
อ่านสายที่มาของข้อมูลจากการเรียกใช้
คุณดึงการเรียกใช้ในอดีตด้วยรหัส แล้วอ่านแท็กเพื่อสร้างข้อมูลและการส่งโค้ดที่สร้างโมเดลนั้นขึ้นมาใหม่ได้อย่างแน่นอน
run = mlflow.get_run(run_id)
print(run.data.tags["git_commit"])
print(run.data.tags["dataset_hash"])เครื่องมือที่ทำสิ่งนี้ได้
MLflow, DVC และเครื่องมือเฉพาะทางอย่าง OpenLineage จะเก็บลิงก์เหล่านี้โดยอัตโนมัติ ทำให้คุณไม่ต้องเชื่อมสายที่มาของข้อมูลด้วยตนเอง
ตรวจสอบอย่างรวดเร็ว
ทดสอบความเข้าใจของคุณว่าสายที่มาของข้อมูลเชื่อมโยงสิ่งใดเข้าด้วยกัน
สรุป
คุณได้เรียนรู้ว่าสายที่มาของข้อมูลเชื่อมโมเดลเข้ากับข้อมูล โค้ด และพารามิเตอร์ของโมเดล โดยบันทึกเป็นแท็กในการเรียกใช้ ทำให้ติดตามโมเดลใด ๆ ได้อย่างครบถ้วน ✅
คำถามที่พบบ่อย
บทเรียน “ติดตามสายสืบทอดจากข้อมูลสู่โมเดล” ฟรีหรือไม่
ใช่ — ข้อความเต็มของ “ติดตามสายสืบทอดจากข้อมูลสู่โมเดล” ฟรีให้อ่านที่นี่บนเว็บ เพื่อปฏิบัติแบบโต้ตอบ (ตัวแก้ไขโค้ดในตัวและติวเตอร์ AI ตลอด 24/7) และปลดล็อคส่วนที่เหลือของคอร์ส MLOps Academy ให้อัปเกรดเป็น CoddyKit PRO คอร์ส MLOps Academy มีบทเรียนทั้งหมด 4 บทเรียน
คุณจะเรียนรู้อะไรในบทเรียน “ติดตามสายสืบทอดจากข้อมูลสู่โมเดล”
เชื่อมโมเดลที่ติดตั้งใช้งานกลับไปยังข้อมูลและโค้ดที่แน่นอน 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 “ติดตามสายสืบทอดจากข้อมูลสู่โมเดล” ใช้เวลานานแค่ไหน
บทเรียน CoddyKit ส่วนใหญ่ใช้เวลาประมาณ 5–10 นาที แต่ละบทเรียนจึงสั้นและเป็นแบบโต้ตอบ คุณสามารถก้าวหน้าอย่างต่อเนื่องและกลับมาเรียนต่อจากตรงที่เพิ่งหยุดบนเว็บและแอปได้เลย
ฉันเขียนและรันโค้ดในบทเรียน MLOps Academy นี้ได้ไหม
ได้ บทเรียน MLOps Academy ทุกบทมีตัวแก้ไขโค้ดในตัว คุณจึงเขียนและรันโค้ดจริงได้เลยในเบราว์เซอร์ และได้รับข้อเสนอแนะจาก AI ในทันที — ไม่ต้องติดตั้งในเครื่องของคุณ
บทเรียนทั้งหมดในหลักสูตรนี้
- ติดตามสายสืบทอดจากข้อมูลสู่โมเดล
- เขียนการ์ดโมเดล
- บันทึกการตรวจสอบและการทำซ้ำได้
- การควบคุมการเข้าถึงและการปฏิบัติตามข้อกำหนด