Vidéo: Microsoft Azure OpenDev—June 2017 2024
Afin d'assurer le succès du déploiement du modèle prédictif que vous construisez, vous aurez besoin de penser au déploiement très tôt. Les parties prenantes doivent avoir leur mot à dire sur le modèle final. Ainsi, au début du projet, assurez-vous que votre équipe discute de l'exactitude requise du modèle prévu et de la meilleure façon d'interpréter ses résultats.
Les modélisateurs de données doivent comprendre les objectifs d'affaires que le modèle tente d'atteindre, et tous les membres de l'équipe doivent être familiarisés avec les paramètres par rapport auxquels le modèle sera jugé. L'idée est de s'assurer que tout le monde est sur la même page, travaillant pour atteindre les mêmes objectifs, et en utilisant les mêmes mesures pour évaluer les avantages du modèle.
Gardez à l'esprit que l'environnement opérationnel du modèle sera très probablement différent de l'environnement de développement. Les différences peuvent être importantes, depuis les configurations matérielles et logicielles, jusqu'à la nature des données, jusqu'à l'empreinte du modèle lui-même. Les modélisateurs doivent connaître toutes les exigences requises pour un déploiement réussi en production avant de pouvoir construire un modèle qui fonctionnera réellement sur les systèmes de production. Les contraintes de mise en œuvre peuvent devenir des obstacles entre le modèle et son déploiement.
Comprendre les limites de votre modèle est également essentiel pour en assurer le succès. Portez une attention particulière à ces limitations typiques:
- Le temps nécessaire au modèle pour exécuter
- Les données dont le modèle a besoin; sources, types et volume
- La plate-forme sur laquelle réside le modèle
Idéalement, le modèle a plus de chances de se déployer lorsque
- Il découvre des motifs dans les données qui étaient auparavant inconnues.
- Il peut être facilement interprété par les parties prenantes de l'entreprise.
- Les modèles récemment découverts ont un sens commercial et offrent un avantage opérationnel.
