به آخرین فصل از دورهی آموزشی MLOps خوش آمدید. تا اینجا، یک مدل پیشبینی قیمت مسکن را از مرحلهی ایده تا استقرار روی سرور پیش بردهایم. مدل را آموزش دادیم، با امالفلو آزمایشهایش را ثبت کردیم، دادهها را با دیویسی نسخهبندی نمودیم، با فستایپیآی یک وب-سرویس برایش ساختیم، آن را با داکر بستهبندی کردیم و سرانجام با گیتهاب اکشنز، فرایند استقرار را خودکار نمودیم.
اما آیا کار ما با استقرار مدل به پایان میرسد؟ خیر.
یک مدل یادگیری ماشین در محیط عملیاتی، مانند یک موجود زنده است. باید بطور مرتب و پیوسته وضعیت آن را چک کنیم، ببینیم آیا همچنان درست کار میکند یا نه، و در صورت نیاز آن را بازآموزی کنیم. این کار را مانیتورینگ (پایش) مینامند.
در این فصل، با مفاهیم پایهای مانیتورینگ مدلها آشنا میشویم و یاد میگیریم که چگونه میتوانیم از عملکرد مدل خود در محیط عملیاتی مطمئن باشیم.
