LA GESTIONE DEL LIFECYCLE DEI PROGETTI MACHINE LEARNING
A fronte dell’addestramento di un modello di Machine Learning, questi può essere deployato in modalità Cloud/On-prem. I modelli di Machine Learning vengono resi disponibili in forma modulare all’interno di container.
Una strategia cloud è da adottarsi preferibilmente in tutte quelle situazioni in cui l'esecuzione del modello richiede di considerevoli risorse.
Attraverso la definizione di una filiera di ambienti (da test, a produzione) ed un'interfaccia semplificata, MyDI favorisce le operations di release, versionamento e simulazione dei modelli ML.
La gestione dell’esercizio in produzione
Come si comporta il modello di Machine Learning nel tempo? Quali sono i fattori che determinano l’ottenimento di un dato risultato? La Piattaforma MyDI offre strumenti a supporto del monitoraggio dei modelli di machine learning al fine di individuare degradazioni delle performance e procedere per tempo a un riaddestramento.
Mediante funzionalità di Explainability, si è in grado di analizzare il dettaglio delle predizioni effettuate da un modello, individuando così quei fattori (features) che hanno maggiormente inciso sull’output predetto e fornendo intuizioni addizionali agli esperti di dominio (SME).
EDGE COMPUTING
Al fine di evitare latenze di rete è conveniente eseguire il modello di machine learning direttamente sul dispositivo, se ha sufficienti risorse computazionali. In questo modo si può evitare che elevate moli di dati vengano inviate attraverso il network e gestite centralmente. In modalità Edge, i modelli Machine Learning possono essere deployati direttamente sul dispositivo, permettendo così una gestione più efficiente che elabora i dati direttamente alla sorgente.