Γλωσσάριο

Αγωγός μηχανικής μάθησης (pipeline)

Τι είναι Αγωγός μηχανικής μάθησης (pipeline);

Ένας αγωγός μηχανικής μάθησης (machine learning pipeline) είναι μια καθορισμένη ακολουθία βημάτων που μετατρέπει ακατέργαστα δεδομένα σε ένα μοντέλο έτοιμο για χρήση: συλλογή και καθαρισμός δεδομένων, προετοιμασία χαρακτηριστικών, εκπαίδευση, αξιολόγηση, ανάπτυξη και παρακολούθηση. Η αυτοματοποίηση αυτών των βημάτων καθιστά τα αποτελέσματα αναπαραγώγιμα και επιτρέπει την επεξεργασία νέων δεδομένων με μικρή προσπάθεια. Ένας έμπορος λιανικής, για παράδειγμα, μπορεί να επανεκπαιδεύει και να δοκιμάζει το μοντέλο πρόβλεψης πωλήσεων κάθε εβδομάδα με τα πιο πρόσφατα στοιχεία.

Θέματα

MLOps
αυτοματοποίηση
επεξεργασία δεδομένων

Δοκιμάστε το KI.ordo

Πράκτορες, ροές εργασιών και πρότυπα σε έναν χώρο εργασίας – δωρεάν επίδειξη 24 ωρών.

Έναρξη επίδειξης

← Όλοι οι όροι

Σχετικοί όροι

Καθαρισμός δεδομένων

Ο καθαρισμός δεδομένων είναι ο εντοπισμός και η διόρθωση λανθασμένων, διπλότυπων ή ασυνεπών εγγραφών σε σύνολα δεδομένων. Τυπικά βήματα είναι η ομοιομορφοποίηση της ορθογραφίας και των μορφών ημερομηνίας, η αφαίρεση περιττών κενών και η συγχώνευση διπλότυπων, όπως «Smith Ltd» και «Smith Limited». Τα καθαρά δεδομένα αποτελούν προϋπόθεση για αξιόπιστες αναλύσεις, ταχυδρομικές αποστολές και εφαρμογές ΤΝ.

ποιότητα δεδομένων
διπλότυπα
+1

Πρότυπο

Μηχανική και εξαγωγή χαρακτηριστικών

Η μηχανική χαρακτηριστικών (feature engineering) σημαίνει την επιλογή, τον μετασχηματισμό και τη δημιουργία γνωρισμάτων (χαρακτηριστικών) από ακατέργαστα δεδομένα, ώστε ένας αλγόριθμος μάθησης να εντοπίζει ευκολότερα μοτίβα. Η εξαγωγή χαρακτηριστικών (feature extraction) παράγει συμπαγείς, ουσιαστικές τιμές από σύνθετα δεδομένα, όπως κείμενο, εικόνες ή σήματα. Παράδειγμα: μεμονωμένες εγγραφές αγορών μετατρέπονται σε χαρακτηριστικά όπως «ημέρες από την τελευταία αγορά» ή «μέση αξία παραγγελίας», τα οποία μπορούν να βελτιώσουν αισθητά μια πρόβλεψη διαρροής πελατών.

Μηχανική μάθηση
Προετοιμασία δεδομένων
+1

MLflow

Το MLflow είναι μια πλατφόρμα ανοικτού κώδικα για τη διαχείριση ολόκληρου του κύκλου ζωής μοντέλων μηχανικής μάθησης, που παρουσιάστηκε αρχικά από τη Databricks το 2018. Καταγράφει πειράματα με τις παραμέτρους και τις μετρικές τους, διαχειρίζεται εκδόσεις μοντέλων σε ένα μητρώο και απλοποιεί την ανάπτυξη σε παραγωγή. Οι πιο πρόσφατες εκδόσεις υποστηρίζουν επίσης την ιχνηλάτηση και την αξιολόγηση εφαρμογών που βασίζονται σε γλωσσικά μοντέλα. Έτσι οι ομάδες μπορούν να εντοπίσουν ποιο μοντέλο παρήχθη με ποια δεδομένα και ποιες ρυθμίσεις.

MLOps
ανοικτός κώδικας
+1

Kubeflow

Το Kubeflow είναι μια πλατφόρμα ανοικτού κώδικα για την εκτέλεση ροών εργασιών μηχανικής μάθησης στο Kubernetes, από την προετοιμασία δεδομένων μέχρι την εκπαίδευση, την αναζήτηση υπερπαραμέτρων και την εξυπηρέτηση μοντέλων. Αρχικά ξεκίνησε από τη Google, και το έργο ανήκει πλέον στο Cloud Native Computing Foundation, όπου απέκτησε το καθεστώς «graduated» τον Αύγουστο του 2026 (στοιχεία Οκτωβρίου 2026). Απευθύνεται κυρίως σε ομάδες που εκπαιδεύουν δικά τους μοντέλα σε μεγάλη κλίμακα σε δική τους υποδομή ή υποδομή cloud.

MLOps
Kubernetes
+1