Глоссарий ИИ
Полный словарь искусственного интеллекта
Model Lifecycle Management
Управление жизненным циклом модели: совокупность процессов и инструментов для управления полным жизненным циклом модели машинного обучения, от первоначальной разработки до вывода в эксплуатацию и окончательного вывода из эксплуатации. Этот систематический подход обеспечивает отслеживаемость, воспроизводимость и непрерывное обслуживание моделей на протяжении всего их операционного существования.
Model Deployment
Развертывание модели: процесс интеграции модели машинного обучения в производственную среду, где она может генерировать прогнозы в режиме реального времени или пакетно. Этот критический этап включает настройку инфраструктуры, предоставление API и внедрение механизмов автоматического масштабирования.
Model Retraining
Переобучение модели: процесс периодического или инициированного переобучения модели на новых данных для поддержания или улучшения ее производительности в ответ на изменения в паттернах данных. Автоматическое переобучение использует конвейеры CI/CD, адаптированные для машинного обучения, чтобы гарантировать постоянную актуальность модели.
Continuous Deployment for ML
Непрерывное развертывание для МО: автоматизация процесса развертывания моделей машинного обучения в производственную среду после успешной валидации в тестовых средах. Эта практика позволяет быстро поставлять улучшения моделей, сохраняя при этом строгие гарантии качества и безопасности.
A/B Testing for Models
A/B-тестирование для моделей: экспериментальная методология для сравнения производительности нескольких версий моделей в производственной среде путем направления части трафика на каждую версию. A/B-тестирование для моделей предоставляет объективные количественные метрики для выбора лучшей версии на основе бизнес-показателей производительности.
Model Performance Metrics
Метрики производительности модели: количественные показатели для оценки качества и эффективности модели машинного обучения, включая точность, полноту, F1-оценку, AUC-ROC и специфические бизнес-метрики. Эти меры необходимы для валидации, мониторинга и выбора моделей.
Model Retirement
Вывод модели из эксплуатации: плановый процесс вывода из эксплуатации модели машинного обучения, ставшей устаревшей, неэффективной или замененной более производительной версией. Вывод модели из эксплуатации включает миграцию зависимостей, архивирование данных и информирование заинтересованных сторон.
Model Validation
Валидация модели: строгий процесс оценки модели машинного обучения перед ее выводом в эксплуатацию для проверки ее производительности, надежности и соответствия бизнес-требованиям. Валидация включает тестирование на отложенных данных, перекрестную валидацию и оценку граничных случаев.
Упаковка модели
Процесс подготовки модели машинного обучения к развёртыванию путём создания автономного контейнера, включающего саму модель, её зависимости, конфигурации и API для вывода (инференса). Упаковка обеспечивает переносимость и воспроизводимость модели в различных средах выполнения.
Предварительное развёртывание модели (Staging)
Изолированная промежуточная среда, в которой модели развёртываются для финального тестирования перед вводом в эксплуатацию, с точным воспроизведением операционных условий. Staging позволяет проверить интеграции, производительность и поведение модели в реалистичном контексте, не затрагивая конечных пользователей.