毫升模型使其投入生產,然而,工作沒有完成。世界的變化,新的數據看起來不同於舊,最後一個模型需要重新訓練。你能告訴如何當你模型並不表現良好,你能做什麼呢?

在這次研討會,我們將探討如何使用MLflow和Apache火花檢測模型的漂移流在磚上,使用玻璃器皿製造物聯網傳感器數據為手動選擇產品質量檢驗。我們會強調一些微妙的問題在網絡模型評價,喜歡真實連接未來的標簽的新數據。

具體地說,我們將討論:

• 簡要概述磚如何幫助構建端到端毫升大規模管道
• 最佳實踐為批量部署模型或者使用MLflow實時推理
• 如何評分模型的流數據和檢測模型和現場演示漂移嗎