毫升模型使其投入生产,然而,工作没有完成。世界的变化,新的数据看起来不同于旧,最后一个模型需要重新训练。你能告诉如何当你模型并不表现良好,你能做什么呢?

在这次研讨会,我们将探讨如何使用MLflow和Apache火花检测模型的漂移流在砖上,使用玻璃器皿制造物联网传感器数据为手动选择产品质量检验。我们会强调一些微妙的问题在网络模型评价,喜欢真实连接未来的标签的新数据。

具体地说,我们将讨论:

• 简要概述砖如何帮助构建端到端毫升大规模管道
• 最佳实践为批量部署模型或者使用MLflow实时推理
• 如何评分模型的流数据和检测模型和现场演示漂移吗