Ханнес Хапке , Кэтрин Нельсон - Разработка конвейеров машинного обучения. Автоматизация жизненных циклов модели с помощью TensorFlow

244
инструменты оркестрации 246
настройка
с помощью Apache Airflow 242
производственный 232
компоненты 232
участие человека в работе
конвейера 212

взаимодействие со Slack API 214
использование компонента
Slack 214
настройка компонента Slack 214
конвейер TFX
настройка 273
загрузка данных из Google Cloud
Storage 273
обучение моделей
на платформе Google Cloud AI
Platform 273
оркестрация
Kubeflow Pipelines 252
развертывание моделей
на платформе Google Cloud AI
Platform 275
конечная точка API 150, 151
Google Remote Procedure Calls
(gRPC). См. gRPC; gRPC
Representational State Transfer
(REST). См. REST
контейнер 313
машинное обучение
инфраструктура 313
платформы
Amazon Web Service SageMaker 181
Microsoft AzureML 181
системы непрерывной интеграции
и развертывания 311, 313

М

модель машинного обучения 149, 190
версии 165
вес 150
граф модели машинного обучения 155
дрейф 279
запросы метаданных 173
модель классификации 171
обучение приватной модели 298
обучение с «теплым» запуском 212
одновременное обучение нескольких
моделей 208

Предметный указатель 

пакетные запросы 175
персонализированная 279
политика релизов 308
получение прогнозов 167
использование протокола
REST 167
прогностическая значимость 279
развертывание 149, 150, 190
«горячая замена» 163
использование удаленных
хранилищ 191, 193
на периферийных устройствах 200
недостатки способа развертывания
с использованием Python 151, 152
обзор 191
оптимизация для удаленной
модели. См. оптимизация
моделей машинного обучения
для развертывания;
оптимизация моделей
машинного обучения для
развертывания
расширенные концепции 190
с использованием TensorFlow
Serving. См. TensorFlow Serving
(TFS);
создание веб-приложения с
использованием Python 150, 151
развертывание на мобильных
платформах 209
развертывание с использованием
«облачных» решений 182
Google Clouds AI Platform 182, 183
размещение у провайдеров
«облачных» решений 182
регрессионная модель 171

Н

направленный ациклический
граф (НАГ) 237

О

обратная связь 288
бинарная 288
переклассификация 288
обучение нейронных сетей
обучаемая сеть 196
обучающая сеть 196
оптимизация моделей машинного
обучения для развертывания 193, 194

341

дистилляция 196
для загрузки удаленной модели 193
инструменты 197
квантование 194
использование библиотеки
TensorRT. См. TensorRT;
сокращение 195
TFLite. См. TFLite

П

петли обратной связи 279
маховик данных 281
отслеживание обратной связи 287, 288
для случая неявной обратной
связи 289
для случая явной обратной
связи 288
примеры 282, 283, 284, 285
шаблоны для сбора обратной
связи 284, 285, 286, 287
явная и неявная обратная связь 280
платформа искусственного
интеллекта 232
Google AI Platform 232
поставщики облачных услуг 182
Amazon Web Services (AWS) 182
Google Cloud 182
Microsoft Azure 182
приватность данных 290, 291
бюджет приватности 295
данные, идентифицирующие
личность 292
дифференцированная
приватность 290, 293, 294
глобальная 294, 296
доверенные стороны 296
локальная 294
методы обеспечения 296
объект secret 295
оптимизация 297
расчет параметров модели 299
стохастический градиентный
спуск 297
эпсилон-дельта 295
зашифрованное машинное
обучение 290
квазиидентифицирующие данные 292
методы обеспечения
приватности 305
K-анонимность 305

342



Предметный указатель

способы повышения
приватности 292
федеративное обучение 290
чувствительные данные 292

С

сервер моделей 150, 182
сигнатура 155
методы 155
структура 150
тестирование 159
управляемое развертывание
в «облаке» 182
ограничения 182
преимущества и недостатки 182
эксперименты с моделью
отслеживания 307
экспорт 154
граф модели машинного
обучения 155
для TFS 153
контрольная точка 155
проверка экспортированных
моделей 157
ресурсы 155
A/B-тестирование 172
простой пример реализации 151

Ф

федеративное обучение 299, 300
алгоритмы 300, 301
включение дифференцированной
приватности 300
доверенные стороны 300
инфраструктура 301
используемые сценарии 300
особенности 301
советы по применению 301

A

A/B-тестирование 190
Apache Airflow 43, 230, 231, 234, 237, 246
варианты рабочей
конфигурирации 239
зависимости задач 240
конфигурация 239
конфигурирация
на примере конкретного
проекта 239
операторы задач 240

пример применения 239
установка и настройка 237
Apache Avro 53
Apache Beam 46, 48, 68, 86, 230, 231,
234, 235, 243, 246, 269
Apache Parquet 53, 64
API
конечная --">