Nowoczesne systemy wykorzystujące uczenie maszynowe wymagają zwinnego podejścia w każdym aspekcie cyklu życia analitycznego – od przygotowania danych, poprzez budowę modelu, po jego wdrożenie i monitorowanie. Dwa ostatnie elementy są obsługiwane w sposób systematyczny przy użyciu podejścia ModelOps. Jednakże analitycy spędzają większość czasu na przygotowaniu danych w celu wygenerowania tabel ABT potrzebnych do uczenia modelu i późniejszego wykorzystania ich na produkcji. Tu z pomocą przychodzi podejście DataOps.
W trakcie prezentacji obok metodologii ModelOps pokażemy koncepcję SAS Feature Store i sposób, w jaki można go wykorzystać do poprawy zwinności procesu przygotowania danych w analityce zgodnie z ideą DataOps.
.jpg)
.png)