Автор: Алексей Сушков. В предыдущей статье мы рассмотрели различные типы нейросетей и обсудили, какие задачи можно решать с их помощью. Теперь рассмотрим задачу искусственного интеллекта с организационной и технической точки зрения.

При работе над сложными проектами обычно вовлечена команда разработчиков и специалистов по обработке данных, у которых сразу возникают вопросы: как управлять проектом, совместно разрабатывать модель машинного обучения (Machine Learning model), проводить ее тестирование, каким образом синхронизировать код и результаты экспериментов? После разработки и оптимизации ML-модели возникает необходимость ее развертывания в промышленной среде. Все эти проблемы могут казаться менее увлекательными, чем решение самой задачи машинного обучения, но они имеют критическое значение для успешной реализации ML-проектов.

В этой статье мы подробно рассмотрим жизненный цикл ML-сервиса от идеи до разработки и внедрения, а также инструменты и принципы, используемые на каждом этапе.

План статьи

• Жизненный цикл и участники ML-проекта
• Оценка, анализ и подготовка данных
• Автоматизация процесса разработки и тестирования ML-моделей
• Схемы развертывания ML-моделей в промышленную эксплуатацию

Жизненный цикл и участники ML-проекта

Проекты искусственного интеллекта могут казаться новым миром, но на практике они следуют стандартным этапам IT-проекта.