Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.
Flux de travail transductifs incrémentiels
Lorsque vous mettez à jour les artefacts de modèle en réexécutant simplement les étapes 1 à 3 (de l'exportation et de la configuration des données à la transformation de modèle), Neptune ML propose des méthodes plus simples pour mettre à jour vos prédictions ML par lots à l'aide de nouvelles données. L'une consiste à utiliser un flux de travail basé sur un modèle incrémentiel et une autre consiste à utiliser le réentraînement de modèle avec démarrage à chaud.
Flux de travail basé sur un modèle incrémentiel
Dans ce flux de travail, vous mettez à jour les prédictions ML sans réentraîner le modèle ML.
Note
Vous pouvez le faire uniquement quand les données de graphe ont été mises à jour avec de nouveaux nœuds et/ou arêtes. Cela ne fonctionne pas actuellement quand des nœuds sont supprimés.
Exportation et configuration des données : cette étape est identique à celle du flux de travail principal.
Prétraitement des données incrémentielles : cette étape est similaire à l'étape de prétraitement des données du flux de travail principal, mais utilise la même configuration de traitement que celle utilisée précédemment, qui correspond à un modèle entraîné spécifique.
Transformation de modèle : à la place d'une étape d'entraînement de modèle, cette étape de transformation de modèle prend le modèle entraîné du flux de travail principal et les résultats de l'étape de prétraitement des données incrémentielles, et génère de nouveaux artefacts de modèle à utiliser pour l'inférence. L'étape de transformation du modèle lance une tâche de SageMaker traitement pour effectuer le calcul qui génère les artefacts du modèle mis à jour.
Mettre à jour le point de terminaison d' SageMaker inférence Amazon — Facultativement, si vous avez un point de terminaison d'inférence existant, cette étape met à jour le point de terminaison avec les nouveaux artefacts du modèle générés par l'étape de transformation du modèle. Vous pouvez également créer un nouveau point de terminaison d'inférence avec les nouveaux artefacts de modèle.
Réentraînement de modèle avec démarrrage à chaud
À l'aide de ce flux de travail, vous pouvez entraîner et déployer un nouveau modèle ML pour effectuer des prédictions à l'aide des données de graphe incrémentielles, mais démarrer à partir d'un modèle existant généré à l'aide du flux de travail principal :
Exportation et configuration des données : cette étape est identique à celle du flux de travail principal.
Prétraitement des données incrémentielles : cette étape est identique à celle figurant dans le flux de travail d'inférence du modèle incrémentiel. Les nouvelles données de graphe doivent être traitées avec la même méthode de traitement que celle utilisée précédemment pour l'entraînement de modèle.
Entraînement de modèle avec démarrage à chaud : l'entraînement de modèle est similaire à ce qui se passe dans le flux de travail principal, mais vous pouvez accélérer la recherche d'hyperparamètres de modèle en exploitant les informations issues de la tâche d'entraînement de modèle précédente.
Mettre à jour le point de terminaison d' SageMaker inférence Amazon : cette étape est identique à celle du flux de travail d'inférence de modèles incrémentiel.
