Cosechando los Beneficios Una vez que los componentes técnicos están en su lugar, es fundamental asegurarse de que se establezcan los protocolos y prácticas adecuados para continuar cosechando los beneficios de una base ML bien diseñada. ML y área de gobernanza Un área es la gobernanza de modelos. Esto cubre todo, desde preocupaciones éticas hasta requisitos reglamentarios. Debe intentar hacer que el proceso de gobernanza sea lo más sencillo posible. Del mismo modo, el seguimiento histórico es otro componente clave aquí y ayuda a mitigar la deriva temporal. El seguimiento del modelo a lo largo del tiempo es difícil y requiere datos temporales detallados; un marco de registro de modelo distribuido, como una herramienta interna que pueda ayudar a realizar un seguimiento del historial de capacitación, pruebas e implementación de su modelo. ML y seguimiento histórico de modelos Con el seguimiento histórico, los umbrales de re entrenamiento y pérdida son proporcionados por el usua...
Desafíos de alto nivel y cuestiones de ML en Producción El aprendizaje automático puede ser lo suficientemente complejo en entornos de producción, y solo lo es más cuando se considera la necesidad de abordar el aprendizaje adverso o adversarial learning (un sub campo de ML que explora sus aplicaciones en condiciones hostiles) como la ciberseguridad y el lavado de dinero. Los ataques adversos, desde causativos hasta exploratorios, alientan a su modelo a cambiar en respuesta a entradas cuidadosamente diseñadas, reduciendo la eficacia. En ciberseguridad y otros dominios complejos, los límites de decisión a menudo requieren un contexto sólido para la interpretación humana, y las empresas modernas de cualquier tamaño generan muchos más datos de los que los humanos pueden analizar. Incluso en ausencia de tales preocupaciones adversas, la actividad del usuario, las implementaciones de red y los simples avances de la tecnología causan la acumulación de datos con el tiempo. Con esto ...