MLflow المُدار في SageMaker AI: وحّد لقطة التحقق قبل مقارنة الدرجات
يكشف مصنّف طرود خيالي إن كان المسؤول التالي يستطيع تمييز التشغيلات القابلة للمقارنة.
يدرج Goze منصة Amazon SageMaker الكاملة. هنا نركز على تطوير النماذج في SageMaker AI. أطلقت AWS خدمة MLflow المُدارة في 2024 لتتبع المعلمات والمقاييس والوسوم ومواقع المخرجات لكل تشغيل. تسجيل الدرجات لا يجعل المقارنة عادلة إذا تغيرت بيانات التحقق.

الشكل ١. رسم أصلي وليس شاشة من النظام. ضع التشغيلين على مقياس واحد قبل المقارنة.
استخدم تصنيف أحجام الطرود في تمرين التسليم
استخدم أبعاد طرود خيالية وتصنيفي صندوق صغير وكبير في تمرين محلي. شغّل حالتي A وB على لقطة التحقق المجمّدة V1 مع التقسيم والمقياس والوحدات نفسها، وتحقق من إمكان إعادة بناء المقارنة من السجلات. غيّر B إلى V2: حتى الدرجة الأعلى لا تُقارن مباشرة. دوّن معرّف اللقطة أو بصمتها، والتقسيم، وإصدار البرنامج، وتعريف المقياس وموقع المخرجات. يتولى فريقك توثيقها؛ لا تجمّد AWS كل المدخلات تلقائياً.
اطلب من زميل استرجاع البرنامج واللقطة وتحديد الزوج القابل للمقارنة من السجلات وحدها. كرر ذلك باستخدام MLflow محلي أو جدول بإصدارات. إذا كانت التجارب قليلة وتسليمها سهلاً فابق محلياً. إن ضاع السياق مراراً بين عدة أشخاص فقارن التتبع المُدار وتكاليف صيانته. قدّر التتبع والتخزين والحوسبة منفصلة؛ لا ينشئ التمرين موارد سحابية.
ملاحظة حول المحتوى:يستند هذا المقال إلى معلومات متاحة للعموم ويُعد مرجعًا للمساعدة في اختيار الأدوات. قد تتغير الميزات والأسعار والسياسات ذات الصلة في أي وقت، لذا يُرجى الرجوع إلى أحدث المعلومات الرسمية.
المصدر الأصلي:docs.aws.amazon.com