AI-observabilitet

term_id: ai_observability

Category: engineering_practice

Definition

AI-observabilitet utvider tradisjonell programvareovervåking for å adressere de unike utfordringene ved maskinlæringssystemer. Det involverer sporing av modellprestasjon, dataendringer (drift) og inferenslatens i sanntid for å sikre pålitelighet.

Summary

Praksisen med å overvåke og forstå den interne tilstanden til maskinlæringssystemer gjennom logger, metrikker og sporinger.

Key Concepts

  • Dataendring (Data drift)
  • Modellovervåking
  • Telemetri
  • Feilsøking

Use Cases

  • Oppdaging av konseptendring i produksjonsmodeller
  • Feilsøking av prediksjoner med lav tillit
  • Sikring av samsvar med SLA-er for AI-tjenester

Code Example

1
2
3
4
5
6
7
8
9

import mlflow

# Log metrics during training
mlflow.log_metric('accuracy', 0.95)
mlflow.log_metric('loss', 0.05)

# Track model parameters
mlflow.log_param('learning_rate', 0.01)
mlflow.log_param('epochs', 10)

Related