Awtomatisasyon

Pagkuha ng Datos

Ang web server ay ide-deploy sa Google Cloud Run at iske-schedule upang kumuha ng mga kaugnay na data mula sa Iron Hand nang paulit-ulit, bawat oras. I-a-upload nito ang apy data sa isang nababasang format.

Pagtanggap at Paunang Pagproseso ng Datos

Upang masimulan ang proseso ng model training, ang nababasang file sa GCS ay ilo-load at ipo-preprocess upang maghanda ng mataas na kalidad na data para sa pagsasanay. Ang preprocess phase ay lilinisin ang data, magsasagawa ng feature engineering upang makabuo ng mga bagong feature para mapahusay ang predictive power ng model, pag-normalize ng data, paghahati ng data sa training, validation at test sets atbp.

Pag-tune ng Hyperparameter

Pag-tune ng mga hyperparameter tulad ng bilang ng neurons, activation function, learning rate, batch size, loss function, epochs atbp upang mapahusay ang performance ng model.

Pagsasanay ng Modelo

Sa phase na ito, tukuyin ang LSTM model, i-train ito, gumawa ng mga prediction at suriin ang model.

Pagsusuri ng Modelo

Gamitin ang test set upang suriin ang performance ng model at tiyakin na ang performance ng model ay lumampas sa tiyak na threshold, i-save ito sa GCS.

Pag-deploy ng Modelo

I-deploy ang naka-save na model para sa pagbibigay ng prediction data.

Patuloy na Pagsubaybay

Subaybayan ang kalusugan at performance ng na-deploy na model at mag-set up ng mga alerto para sa anumang anomalya o drift sa performance ng model.

Feedback at Muling Pagsasanay

Kung nakakita ang monitoring phase ng drift o pagbaba ng performance, i-retrain ang model.