Automatyzacja

Pozyskiwanie danych

Serwer sieciowy zostanie wdrożony w Google Cloud Run i będzie zaplanowany tak, aby pobierać odpowiednie dane z Iron Hand co godzinę. Dane te będą przesyłane w formacie umożliwiającym ich odczytanie.

Pobieranie i wstępne przetwarzanie danych

Aby rozpocząć proces uczenia modelu, czytelny plik w GCS zostanie załadowany i wstępnie przetworzony w celu przygotowania wysokiej jakości danych do uczenia. Faza wstępnego przetwarzania obejmuje czyszczenie danych, inżynierię cech w celu wygenerowania nowych cech zwiększających moc predykcyjną modelu, normalizację danych, podział danych na zestawy treningowe, walidacyjne i testowe itp.

Dostrajanie hiperparametrów

Dostrajanie hiperparametrów, takich jak liczba neuronów, funkcja aktywacji, szybkość uczenia, wielkość partii, funkcja strat, epoki itp. w celu zwiększenia wydajności modelu.

Szkolenie modelowe

W tej fazie należy zdefiniować model LSTM, wytrenować go, dokonać predykcji i ocenić model.

Ocena modelu

Użycie zestawu testowego do oceny wydajności modelu i upewnienie się, że wydajność modelu przekracza określony próg, a następnie zapisanie go w GCS.

Wdrożenie modelu

Wdrożenie zapisanego modelu do obsługi danych predykcyjnych.

Ciągłe monitorowanie

Monitoruj kondycję i wydajność wdrożonego modelu i skonfiguruj alerty dla wszelkich anomalii lub odchyleń w wydajności modelu.

Informacje zwrotne i szkolenie

Jeśli faza monitorowania wykryje odchylenie lub spadek wydajności, należy ponownie wytrenować model.