结语: AI平台的六个ING

终於~~ 今天是第三十天,很开心跟大家分享AI平台的Labeling、Training、Tracking与Serving的概念与串接工具的方法.
首先我们先手动建立与安装所需的软件与系统, 我们先安装Kubernetes(K8s), 然後在K8s上安装JupyterLab、MLFlow、Django、MLFlow、Seldon、PV/PVC, 在整合的过程中也使用到NFS server与MinIO, 这样我们可以在自已手动建立的AI平台上完成training、tracking与serving, 可以符合资料科学家基本的使用需求.
接着我们使用Nilvana物件辨识工具, 除了有好用的标注工具之外, Nilvana操作介面很容易上手, 轻松就可以完成资料标注、训练与部署, 在物件辨识应用上Nilvana是一个很好用的工具.

接下来, 除了Labeling、Training、Tracking与Serving之外, 至少还要再加入monitoring与reserving:

• monitoring: 监控模型推论的结果.
  • 模型推论的结果可能会随着所接收到的资料而影响到准确度, 因此收集模型推论的结果有助於我们了解模型的状况, 以决定是否重新部署模型.
• reserving: 重新部署新模型的方法
  • 重新部署模型时需加入模型的版本控制, 并且能以rolling update的方式进行模型的更新

这三十天的内容整理的有点仓促, 或许之後可以将这一系列文章重新整理并重新命名为AI平台的六个ING-Labeling、Training、Tracking、Serving、monitoring与reserving..

最後, 感谢ITHome鐡人赛提供这个技术交流平台.

下台一鞠躬~~

参考资料

Nilvana官网: https://nilvana.tw/