এআই গ্লসারি
কৃত্রিম বুদ্ধিমত্তার সম্পূর্ণ অভিধান
ডেটা ড্রিফট
প্রশিক্ষণ ডেটার তুলনায় প্রোডাকশনে ইনপুট ডেটার পরিসংখ্যানগত বন্টনের পরিবর্তন, যা মডেলের কর্মক্ষমতা হ্রাস করতে পারে। ভবিষ্যদ্বাণীগুলোর প্রাসঙ্গিকতা বজায় রাখতে এটি সনাক্ত করা অত্যন্ত গুরুত্বপূর্ণ।
কনসেপ্ট ড্রিফট
ইনপুট ভেরিয়েবল এবং টার্গেট ভেরিয়েবলের মধ্যকার সম্পর্কের বিবর্তন, যেখানে সমস্যার অর্থ বা প্রসঙ্গ পরিবর্তিত হয়। এই ধরনের ড্রিফট বেশি গোপনীয় কারণ ইনপুট বন্টন স্থিতিশীল থাকতে পারে।
পারফরম্যান্স মনিটরিং
মডেলের মূল্যায়ন মেট্রিক্স (সঠিকতা, রিকল, F1-স্কোর ইত্যাদি) বাস্তব ডেটাতে ক্রমাগত ট্র্যাক করা যাতে কোনো অবনতি শনাক্ত করা যায়। এটি অ্যালার্ট এবং পুনরায় প্রশিক্ষণের ক্রিয়া ট্রিগার করতে সক্ষম করে।
এমএল ড্যাশবোর্ড
কেন্দ্রীভূত ভিজ্যুয়ালাইজেশন ইন্টারফেস যা মনিটরিংয়ের মূল মেট্রিক্স, ড্রিফট অ্যালার্ট এবং প্রোডাকশনে মডেলের স্বাস্থ্য অবস্থা একত্রিত করে। এটি MLOps দলগুলোর জন্য সিদ্ধান্ত গ্রহণ সহজ করে।
স্বয়ংক্রিয় অ্যালার্টিং
পারফরম্যান্স মেট্রিক্স বা ড্রিফট সূচকগুলোর পূর্বনির্ধারিত থ্রেশহোল্ড দ্বারা ট্রিগার করা নোটিফিকেশন সিস্টেম। এটি মডেলের আচরণগত অস্বাভাবিকতার মুখে দ্রুত প্রতিক্রিয়া নিশ্চিত করে।
স্থিতিশীলতা মেট্রিক
বর্তমান ডেটার বন্টন এবং রেফারেন্স (প্রশিক্ষণ) বন্টনের মধ্যকার সাদৃশ্য পরিমাপকারী সূচক। কুলব্যাক-লেইব্লার ডাইভারজেন্স বা পপুলেশন স্ট্যাবিলিটি ইনডেক্সের মতো মেট্রিক্স সাধারণত ব্যবহৃত হয়।
ফিচার গুরুত্ব বিশ্লেষণ
মডেলের ভবিষ্যদ্বাণীতে প্রতিটি ইনপুট ভেরিয়েবলের প্রভাবের বিবর্তন নিরীক্ষণ করা। একটি আকস্মিক পরিবর্তন ডেটা ড্রিফট বা মডেলের আচরণ পরিবর্তনের ইঙ্গিত দিতে পারে।
প্রোডাকশনে ব্যাখ্যাযোগ্যতা
মডেলটি সর্বদা একই যুক্তি এবং ফিচার ব্যবহার করছে কিনা তা নিশ্চিত করতে ভবিষ্যদ্বাণীর ব্যাখ্যা (যেমন: SHAP, LIME) নিরীক্ষণ করা। সমালোচনামূলক সিস্টেমের জন্য আস্থা এবং অডিটযোগ্যতার জন্য এটি অপরিহার্য।
ভবিষ্যদ্বাণী অস্বাভাবিকতা সনাক্তকরণ
অস্বাভাবিক ভবিষ্যদ্বাণী বা অস্বাভাবিকভাবে কম আত্মবিশ্বাস সনাক্তকরণ, যা মডেলের অবনতি বা পরিচিত বিতরণের বাইরের ডেটার উপস্থিতি নির্দেশ করতে পারে। এটি স্বয়ংক্রিয়করণের জন্য একটি নিরাপত্তা স্তর।
ভবিষ্যদ্বাণী বিলম্ব
একটি অনুরোধ প্রাপ্তি এবং মডেল দ্বারা ভবিষ্যদ্বাণী ফেরতের মধ্যে অতিবাহিত সময় পরিমাপকারী মেট্রিক। বাস্তব সময়ের অ্যাপ্লিকেশনগুলির জন্য এর পর্যবেক্ষণ অত্যন্ত গুরুত্বপূর্ণ যেখানে উচ্চ বিলম্ব ব্যবহারকারীর অভিজ্ঞতাকে প্রভাবিত করে।
প্রোডাকশনে পক্ষপাত
নিশ্চিত হওয়ার জন্য বাস্তব ডেটায় মডেলের ন্যায্যতা এবং পক্ষপাতের সূচকগুলির অবিচ্ছিন্ন নজরদারি যে এটি নির্দিষ্ট জনগোষ্ঠীর প্রতি বৈষম্য করছে না। ড্রিফটের সাথে পক্ষপাত উদ্ভূত বা বৃদ্ধি পেতে পারে বলে পর্যবেক্ষণ প্রয়োজন।
স্ট্রাকচার্ড লগিং
স্ট্রাকচার্ড ফরম্যাটে (যেমন: JSON) ইনপুট, ভবিষ্যদ্বাণী, মেটাডেটা এবং পারফরম্যান্স মেট্রিক্স রেকর্ড করা। এটি পোস্ট-মর্টেম বিশ্লেষণ, ডিবাগিং এবং মনিটরিং পাইপলাইনগুলিকে ফিড করতে সহায়তা করে।
মডেল ভার্সনিং
প্রশিক্ষিত মডেলের বিভিন্ন সংস্করণ ট্র্যাকিং এবং পরিচালনা, প্রায়শই মডেল রেজিস্ট্রির মাধ্যমে। মনিটরিং অবশ্যই প্রতিটি মোতায়েনকৃত সংস্করণের পারফরম্যান্স আলাদা করতে সক্ষম হতে হবে।
ফিডব্যাক লুপ
ভবিষ্যতের প্রশিক্ষণ চক্রগুলিকে খাওয়ানোর জন্য মডেলের ভবিষ্যদ্বাণীতে প্রতিক্রিয়া সংগ্রহ করার প্রক্রিয়া (সংশোধন, অ্যানোটেশন)। এই ফিডব্যাকের গুণমান এবং ভলিউম মনিটরিং সিস্টেমের স্বাস্থ্যের একটি সূচক।