Olá, bem-vindo ao aprendizado de máquina, mecanismo de produção. Muitos alunos perguntaram: Ei, Andrew, Aprendi a treinar um modelo de aprendizado de máquina agora, o que devo fazer? Modelos de aprendizado de máquina são ótimos, mas a menos que você saiba como colocá-los em produção, é difícil fazer com que criem a quantidade máxima de valor possível. Ou para aqueles de vocês que podem estar procurando uma posição em aprendizado de máquina, muitas entrevistas também. Você já implantou uma produção de algoritmo de aprendizado de máquina? Nesta especialização de quatro cursos, o primeiro curso ministrado por mim, o 2º, 3ª e 4ª causas ensinadas por Robert. Crow é um especialista nisso do google. Esperamos compartilhar com você as habilidades e técnicas práticas. Você não precisa apenas construir um modelo de aprendizado de máquina, mas também para colocá-los em produção. E assim, ao final deste primeiro curso e ao final desta especialização, Espero que você tenha uma boa noção de todo o ciclo de vida do projeto de aprendizado de máquina. Do modelo de treinamento para colocar em produção e realmente como gerenciar todo o projeto de aprendizado de máquina. Vamos começar. Vamos começar com um exemplo, digamos que você esteja usando visão computacional para inspecionar telefones saindo de uma linha de fabricação para ver se há defeitos neles. Portanto, as pedras mostradas à esquerda não têm trechos. Mas se houve um trecho de crack ou algo assim, uma visão de computador o algoritmo seria capaz de encontrar esse tipo de trecho ou defeito. E talvez coloque a caixa delimitadora em torno dele como parte do controle de qualidade. Se você obtiver um conjunto de dados de telefones extensíveis, poderá treinar uma visão computacional algoritmo talvez em sua rede para detectar esses tipos de defeitos. Mas o que você precisa fazer agora para colocar isso em implantação de produção? Este seria um exemplo de como você poderia implantar um sistema como este. Você pode ter um dispositivo H. Por dispositivo H, quero dizer um dispositivo que vive dentro da fábrica que é fabricar esses smartphones. E que cada dispositivo teria um software de inspeção cujo trabalho ele é tirar uma foto do telefone, ver se há alongamento e em seguida, decida se este telefone é aceitável ou não. Na verdade, isso é comumente feito em fábricas é chamado de visual automatizado inspeção de defeitos. O que o software de inspeção faz é controlar a câmera que levará uma foto do smartphone saindo da linha de fabricação. E então tem que fazer uma chamada de API para passar essa imagem para um servidor de previsão. E o trabalho do servidor de previsão é aceitar essas chamadas de API, receber uma imagem, decidir se ou não este telefone é eficaz e retorna esta previsão. E então o software de inspeção pode tomar a decisão de controle apropriada se deve deixá-lo continuar na linha de fabricação. Ou se devia empurrar para o lado, porque era eficaz e não aceitável. Então, depois de treinar um algoritmo de aprendizagem, talvez treine a nova rede para tirar como entrada X fotos de telefones. E não até as previsões sobre se o telefone está com defeito ou não. Você ainda precisa usar este modelo de aprendizado de máquina. Coloque-o em um servidor de produção, configure interfaces de API e realmente escrever todo o resto do software. Para implantar este algoritmo de aprendizado na produção. Este servidor de previsão às vezes está na nuvem e às vezes, o servidor de previsão também está no limite. Na verdade, na manufatura, usamos muito implantações por idade, porque você não pode ter sua fábrica fica inativa toda vez que seu acesso à internet cai. Mas as implantações na nuvem com servidor de predição, é um servidor na nuvem, também é usado para muitos aplicativos. Digamos que você escreva todo o software. O que poderia dar errado? Acontece que só porque você treinou um algoritmo de aprendizagem isso funciona bem em seu conjunto de teste, que deve ser comemorado. É ótimo quando você se sai bem ao realizar um conjunto de testes. Infelizmente, atingir esse marco não significa que você terminou. Ainda pode haver muito trabalho e desafios futuros para obter uma implementação de produção valiosa em execução. Por exemplo, digamos que seus conjuntos de treinamento tenham imagens semelhantes a esta. Há um bom telefone à esquerda, o do meio, tem um grande arranhão e você treinou seu algoritmo de aprendizagem para reconheça que coisas assim à esquerda estão bem. O que significa que não há defeitos e talvez desenhe caixas delimitadoras em torno dos riscos ou outros defeitos que encontra e filma. Quando você o implanta na fábrica, pode descobrir que a vida real a implantação de produção devolve imagens como essas muito mais escuras. Porque a fábrica de iluminação, porque as condições de iluminação na fábrica alterado por algum motivo em comparação com o momento em que o conjunto de treinamento foi coletado. Esse problema às vezes é chamado de desvio de conceito ou desvio de dados. Você aprenderá mais sobre esses termos ainda nesta semana. Mas este é um exemplo dos muitos problemas práticos que nós, já que os engenheiros de aprendizado de máquina devem se preparar para resolver se quisermos certifique-se de que não nos saímos bem apenas no conjunto de teste de validação. Mas que nossos sistemas realmente criam valor em uma prática ambiente de implantação de produção. Trabalhei em alguns projetos em que minha equipe de aprendizado de máquina e Eu faria uma nova prova de conceito com sucesso. E com isso quero dizer que treinamos um modelo no notebook Júpiter e vai funcionar muito bem e vamos comemorar isso. Você deve comemorar quando você tem um aprendizado, tudo funcionou bem no notebook Jupiter em um ambiente de desenvolvimento. Mas acontece que às vezes vejo muitos projetos em que esse sucesso, que é um grande sucesso para a implantação prática é ainda talvez mais seis meses de trabalho. E esta é apenas uma das muitas coisas práticas que um aprendizado de máquina a equipe precisa estar atenta e cuidar para realmente implantar esses sistemas. Alguns engenheiros de aprendizado de máquina dirão que não é um problema de aprendizado de máquina para resolver esses problemas. O conjunto de dados muda. Alguns engenheiros de máquina pensam bem. Esse é o problema do aprendizado de máquina? Meu ponto de vista é que nosso trabalho é fazer essas coisas funcionarem. E então, se os data centers mudaram, considero isso como minha responsabilidade quando trabalho em um projeto para intervir e fazer o que posso para acessar a destruição de dados como está, em vez de como eu gostaria que fosse. Portanto, esta especialização irá ensiná-lo sobre muitas dessas importantes práticas coisas para construir sistemas de aprendizado de máquina que funcionem não apenas nisso, não apenas no notebook Jupiter, mas em um ambiente de implantação de produção. Um segundo desafio de implantar modelos de aprendizado de máquina e produção é que é preciso muito mais do que código de aprendizado de máquina. Na última década, deu-se muita atenção aos modelos de aprendizado de máquina. Portanto, sua rede ou outro algoritmo que aprende um mapeamento de função de alguma entrada para alguma saída. E isso tem sido um progresso incrível nos modelos de aprendizado de máquina. Mas acontece que se você olhar para um sistema de aprendizado de máquina e produção, se este pequeno retângulo laranja representa o código de aprendizado de máquina, o código do modelo de aprendizado de máquina. Então, esses são todos os códigos de que você precisa para todo o projeto de aprendizado de máquina. Sinto que, para muitos projetos de aprendizado de máquina, talvez apenas 5-10%, talvez até menos do código. Código de aprendizado de máquina. E eu acho que esta é uma das razões pelas quais quando você tem um modelo de prova de conceito funcionando talvez no notebook Júpiter. Ainda pode ser muito trabalhoso partir dessa prova inicial de conceito para a implantação da produção. Então, às vezes, as pessoas se referem ao POC. Ou a prova de conceito para lacuna de produção. E grande parte dessa lacuna às vezes é apenas a quantidade de trabalho que significa também escreva todo esse código aqui, além do código do modelo de aprendizado de máquina inicial. Então, o que são todas essas outras coisas? Este é um diagrama adaptado de um artigo de D Scully e outros. Além dos códigos de aprendizado de máquina, também existem muitos componentes, especialmente componentes para gerenciar os dados, como coleta de dados, verificação de dados, extração de recursos. E depois de servir, como monitorar o sistema irá monitorar a volta dos dados, ajudá-lo a analisá-los. Mas muitas vezes há muitos outros componentes que precisam ser construídos para permitir um funcionamento implantação da produção. Então, neste curso você aprende quais são todas essas outras peças de software necessário para uma implantação de produção valiosa. Mas, em vez de olhar para todas essas peças complexas, é uma das mais úteis frameworks são encontrados para organizar. O fluxo de trabalho de um projeto de aprendizado de máquina é planejar sistematicamente a vida ciclo de um projeto de aprendizado de máquina. Vamos para o próximo vídeo para mergulhar no que é o ciclo de vida completo de uma máquina projeto de aprendizagem. E espero que esta estrutura seja muito útil para todos os seus projetos de aprendizado de máquina que você planeja implantar no futuro. Vamos para o próximo vídeo.