Ci/cd devops
ShareBlog / Qué aprendí sobre CI/CD para Machine LearningQué aprendí sobre CI/CD para Machine LearningAri BajoLa mayoría de los equipos de desarrollo de software han adoptado la integración y entrega continua (CI/CD) para iterar más rápido. Sin embargo, un modelo de aprendizaje automático no sólo depende del código, sino también de los datos y los hiperparámetros. Lanzar un nuevo modelo de aprendizaje automático en producción es más complejo que el desarrollo de software tradicional.
Los ingenieros de aprendizaje automático todavía están discutiendo qué significa realmente CI/CD en el aprendizaje automático y qué herramientas utilizar. La mayoría de los equipos de aprendizaje automático utilizan varias herramientas para coser su propio proceso para liberar un nuevo modelo – las actualizaciones se liberan mensualmente y menos diariamente – que no es la manera óptima.
En un artículo anterior, entrené un modelo de aprendizaje automático en 4 millones de publicaciones de Reddit para clasificar una publicación en un subreddit. Un mes más tarde, me di cuenta de que los temas en Reddit evolucionaron, y necesité recoger nuevos datos para volver a entrenar el modelo. En este artículo, repaso los pasos para liberar una nueva versión, describo cómo construir un pipeline CI/CD para este tipo de proyecto, y por qué es esencial reentrenar los modelos a menudo en el aprendizaje automático.
¿Cómo se mide la mejora continua de la organización?
Plan: Identificar una oportunidad de cambio y crear un plan para alcanzar ese objetivo. Hacer: Implementar ese cambio a pequeña escala (para empezar). Comprobar: Recoger información después de cada nuevo cambio y analizar su eficacia. Actuar: Implementar los cambios exitosos a mayor escala mientras se evalúan continuamente los resultados.
¿Qué es la IC en el ML?
La integración continua en el aprendizaje automático significa que cada vez que se actualiza el código o los datos, el proceso de aprendizaje automático se vuelve a ejecutar. La integración se realiza antes de lanzar un nuevo modelo para validar los datos y el código más recientes.
Servidor Ci
Todas las empresas, tanto si acaban de empezar su andadura en la IC como si tienen una cultura de mejora madura y sólida, quieren medir la eficacia de su programa de IC. En otras palabras, las empresas quieren saber: ¿Qué va bien? ¿Qué se puede hacer mejor para identificar las oportunidades de mejora en su programa de IC? ¿Cuál es el rendimiento de la inversión en actividades de IC? ¿Cómo pueden extraer más valor de sus iniciativas de IC?
Las empresas utilizan una serie de medidas de rendimiento, como los beneficios financieros, los beneficios no financieros, el número de proyectos de mejora, los eventos de mejora rápida/kaizen, las sesiones de resolución de problemas completadas y las sesiones de formación sobre IC impartidas, etc. Además de estas mediciones cuantitativas, muchas empresas utilizan encuestas a los empleados/clientes y herramientas de evaluación de la IC para medir el éxito y la madurez de sus prácticas de IC.
Métricas de integración continua
Stack Overflow for Teams se traslada a su propio dominio. Cuando se complete la migración, accederás a tus Teams en stackoverflowteams.com, y ya no aparecerán en la barra lateral izquierda de stackoverflow.com.
Tengo un experimento que consiste en examinar el grosor del cabello antes y después de un determinado tratamiento. Tengo 2 tratamientos diferentes. He calculado el tamaño del efecto en R de los tratamientos y he encontrado que el intervalo de confianza del tamaño del efecto incluye 0, lo que significa que la diferencia en el grosor del cabello después de un tratamiento no se vio afectada.
Me gustaría ser capaz de calcular cuántos participantes más necesitaría para el tamaño de la muestra necesaria para detectar una diferencia, es decir, para no abarcar 0, y me han dicho que puedo utilizar la longitud del intervalo de confianza. He intentado calcularlo pero sigo confundido.
Aquí n es el tamaño de la muestra de un grupo, d es la d de Cohen, que es la diferencia entre las medias dividida por la desviación estándar, y el nivel sig es el nivel de significación deseado (probabilidad de un resultado falso positivo).
Significado de Ci/cd
Al analizar los espectros de masas, primero se determinan los iones moleculares. Entonces, una vez determinados los iones moleculares, el análisis posterior de los datos es fácil. Sin embargo, cuando se utiliza la ionización por electrones (EI), en algunos casos no se detectan iones moleculares o son difíciles de confirmar debido a su intensidad relativamente débil. En cambio, dado que la CI es un método de ionización más suave que la EI, es menos probable que se produzca una fragmentación, por lo que la información sobre el peso molecular se obtiene más fácilmente.
Dado que el GCMS-QP2010 Ultra puede medir un amplio rango de masas, hasta un valor máximo de m/z de 1090, puede medir fácilmente iones moleculares incluso para componentes con grandes pesos moleculares, como los derivados TMS de la sacarosa (véase más adelante).
La ionización química negativa (NCI) o ionización química de iones negativos (NICI) permite medir selectivamente, con una sensibilidad ultra alta, sustancias químicas con afinidad a los electrones, como los compuestos a base de cloro.
El análisis medioambiental requiere la medición de cantidades ultrarrastreables de sustancias químicas, como los disruptores endocrinos. Los contaminantes altamente tóxicos contienen un gran número de compuestos basados en el cloro, como los contaminantes orgánicos persistentes (COP), que se controlan según el Convenio de Estocolmo. El NCI es ideal para cuantificar trazas de estos compuestos. Incluso en el caso de compuestos sin afinidad por los electrones, como el estradiol, la afinidad por los electrones puede introducirse mediante derivatización para permitir una medición altamente sensible mediante NCI.