End-to-End-Lösungen von der Erprobung bis zur Produktion
Die Ein-Klick-Bereitstellungsfunktion der Plattform kapselt den gesamten MLOps-Prozess: Nach bestandener Modellvalidierung generiert das System automatisch eine in Docker-Containern gespeicherte Vorhersage-API und hostet sie auf dem AWS Elastic Computing-Cluster. Benutzer können einen exklusiven HTTPS-Endpunkt erhalten, der Echtzeit-Antworten auf Anfragen im JSON-Format unterstützt. Verglichen mit dem Entwicklungszyklus von 2-3 Wochen, den Unternehmen für die Erstellung ihrer eigenen Modelldienste benötigen, verkürzt DataFawn den Prozess auf 5 Minuten mit integrierter Verkehrsüberwachung und automatischen Skalierungsmechanismen.
Tatsächliche Einsatzfälle zeigen, dass, nachdem ein Einzelhandelsunternehmen diese Funktion genutzt hat, um das Modell zur Vorhersage von Werbereaktionen in das CRM-System zu integrieren, die API-Antwortlatenz bei weniger als 200 ms stabil war und die Betriebs- und Wartungskosten für die Verarbeitung von 100.000 Anfragen pro Tag nur 1/5 der Kosten der herkömmlichen Lösung betrugen. Noch entscheidender ist die von der Plattform bereitgestellte iterative Verwaltung des Modells, die es dem System ermöglicht, die alte API online zu halten, wenn eine neue Version des Datensatzes hochgeladen wird, und nahtlos zu einer neuen Version zu wechseln, nachdem der A/B-Test die Verbesserung der Wirkung bestätigt hat. Das System behält die alte API online, wenn eine neue Version des Datensatzes hochgeladen wird, und wechselt dann nahtlos zu einer neuen Version, nachdem der A/B-Test die Verbesserung des Effekts bestätigt hat, was das Risiko der Modellaktualisierung vollständig löst.
Diese Antwort stammt aus dem ArtikelDataFawn: Eine Datenanalyseplattform für die Erstellung von Modellen für maschinelles Lernen, ohne Code zu schreibenDie
Deutsch 
简体中文 
English 
日本語 
Português do Brasil