Fogalomtár

Gépi tanulási csővezeték

Mi a(z) Gépi tanulási csővezeték?

A gépi tanulási csővezeték (machine learning pipeline) a lépések meghatározott sorozata, amely a nyers adatokból telepíthető modellt hoz létre: adatgyűjtés és -tisztítás, jellemzők előkészítése, tanítás, értékelés, telepítés és monitorozás. E lépések automatizálása reprodukálhatóvá teszi az eredményeket, és kevés ráfordítással lehetővé teszi az új adatok feldolgozását. Egy kereskedő például hetente újratanítja és teszteli az értékesítési előrejelző modelljét a legfrissebb adatokkal.

Témák

MLOps
automatizálás
adatfeldolgozás

Próbálja ki a KI.ordót

Ügynökök, munkafolyamatok és sablonok egyetlen munkaterületen – ingyenes, 24 órás demó.

Demó indítása

← Minden fogalom

Kapcsolódó fogalmak

adattisztítás

Az adattisztítás a hibás, duplikált vagy következetlen bejegyzések felismerése és javítása az adathalmazokban. Tipikus lépései: az írásmódok és dátumformátumok egységesítése, a felesleges szóközök eltávolítása, valamint a duplikátumok – például a „Kovács Kft.” és a „Kovács Korlátolt Felelősségű Társaság” – összevonása. A tiszta adat megbízható elemzések, levelezések és MI-alkalmazások előfeltétele.

adatminőség
duplikátumok
+1

Sablon

Jellemzőtervezés és jellemzőkinyerés

A jellemzőtervezés (feature engineering) azt jelenti, hogy a nyers adatokból attribútumokat (jellemzőket) választanak ki, alakítanak át és hoznak létre, hogy a tanuló algoritmus könnyebben ismerje fel a mintázatokat. A jellemzőkinyerés összetett adatokból – például szövegből, képből vagy jelekből – tömör, értelmes értékeket származtat. Példa: az egyes vásárlási adatokból olyan jellemzők lesznek, mint „az utolsó vásárlás óta eltelt napok” vagy „az átlagos rendelési érték”, ami érezhetően javíthatja az ügyfélelvándorlás előrejelzését.

Gépi tanulás
adat-előkészítés
+1

MLflow

Az MLflow egy nyílt forráskódú platform a gépi tanulási modellek teljes életciklusának kezelésére; eredetileg a Databricks mutatta be 2018-ban. Rögzíti a kísérleteket paramétereikkel és mérőszámaikkal együtt, a modellverziókat egy nyilvántartásban kezeli, és egyszerűsíti az üzembe helyezést. Az újabb verziók a nyelvi modellekre épülő alkalmazások nyomon követését (tracing) és kiértékelését is támogatják. A csapatok így vissza tudják követni, melyik modell milyen adatokkal és beállításokkal készült.

MLOps
nyílt forráskód
+1

Kubeflow

A Kubeflow egy nyílt forráskódú platform gépi tanulási munkafolyamatok Kubernetesen történő futtatásához, az adat-előkészítéstől a tanításon és a hiperparaméter-kereséshez át a modellkiszolgálásig. A projektet eredetileg a Google kezdeményezte, ma a Cloud Native Computing Foundationhöz tartozik, ahol 2026 augusztusában elérte a „graduated” státuszt (2026. októberi állapot szerint). Elsősorban azoknak a csapatoknak szól, amelyek nagy léptékben, saját vagy felhőinfrastruktúrán tanítanak saját modelleket.

MLOps
Kubernetes
+1