結論と次のステップ

このチュートリアルでは、Foundryで教師あり機械学習プロジェクトを作成しました。その中で、以下のことを行いました。

• モデルの反復的な実験と開発のためのプロジェクトを作成する
• 最初の特徴量の準備とパイプライン処理を行う
• 本番用のモデルをトレーニングする
• ライブホストされたエンドポイントと自動更新されるバッチパイプラインにモデルをデプロイする

Foundryは、プラットフォーム内で作成されるすべてのリソースのデータフローを自動的に追跡します。このチュートリアルの最後には、以下のスクリーンショットのようなパイプラインができあがります。

アクション: house_price_predictionsデータセットに移動し、Explore pipelines > Explore data lineageを選択します。

次のステップ

次のステップは、この例のワークフローを組織で実際に使用できるワークフローに変換することです。

これには通常、以下の作業が含まれます。

1. さまざまなデータソースからデータをFoundryに統合し、異なるモデルのトレーニングとテストに使用できる features_and_labels データセットを作成する。
2. 最適なモデルの性能を得るために、異なるモデルアーキテクチャ、パラメーター、特徴量を試す。
3. バッチデプロイメント、ライブデプロイメント、またはPythonトランスフォームを通じて、モデルの予測をFoundryオントロジーに統合し、運用アプリケーションで使用する。
4. 事前リリースチェックを作成し、モデルがリリース前に承認されることを確認する。
5. 書き戻しアクションを作成し、ユーザーのアクションを新しいデータセットとしてキャプチャし、このデータを使用してモデルの継続的な再トレーニングと改善を行う。
6. モデル推論履歴を作成し、モデルのより正確な性能と使用に向けて改善と反復を行う。