使用InfluxDB模板轻松实现Algorithmia ML模型性能可视化
作者：Anais Dotis-Georgiou / 产品，用例，开发者
2021年1月12日
导航至
测量您的机器学习模型将帮助您了解模型的表现如何，它的有用性如何，以及模型是否可以通过更多数据表现得更好。这正是Algorithmia Insights所做的，它是Algorithmia Enterprise MLOps平台的一个功能。
Algorithmia平台通过快速安全地交付更多模型，加快了机器学习的价值实现，据估计，85%的机器学习模型从未进入生产阶段。
Algorithmia MLOps平台简介
Algorithmia平台包括数据科学家、应用程序开发人员和IT操作员在生产环境中部署、管理、治理和安全保障机器学习和其他概率模型的能力。
平台最近推出的新功能，Algorithmia Insights，是一个灵活的集成解决方案，用于机器学习模型性能监控。它提供了一个度量管道，可用于对您的机器学习模型进行配置、测量和监控。
监控您的MLOps管道有助于确保您的模型训练和部署成功。它还有助于数据科学家评估模型漂移，并在需要时执行模型维护。预制仪表板有助于减少设置监控ML工作负载的时间，让数据科学家能够发挥他们的优势，专注于模型本身。
如何获取机器学习模型的性能洞察
Algorithmia ML模型性能度量模板，一个InfluxDB模板，允许您使用Telegraf和Kafka从Algorithmia流式传输操作度量以及用户定义的推理相关度量到InfluxDB，以帮助您获取模型性能洞察。凭借八种内置的时间序列可视化类型和大量的自定义选项，InfluxDB Algorithmia模板允许您只需浏览仪表板，就能快速获取关于模型的有价值洞察。
InfluxDB模板让您能够快速定义任何技术的整个监控配置（数据源、仪表板、警报），在一个易于共享的开源文本文件中，可以一键导入InfluxDB。
InfluxDB用于监控机器学习模型
如果您刚开始使用InfluxDB和机器学习，我建议您访问github.com/influxdata/Notebooks，了解使用Jupyter Notebook进行时间序列预测和异常检测的各种示例。
InfluxDB因其高数据摄入率、可扩展性和灵活的内置保留策略，非常适合机器学习。除了提供上面显示的预制仪表板来简化监控Algorithmia ML模型性能度量之外，Algorithmia ML模型性能度量模板还使InfluxDB属性在您的用例中发挥作用。
在InfluxDB中收集ML算法性能度量，可以帮助您成功管理您的ML生命周期和治理。将这些度量存储在InfluxDB中，为您提供了在关键ML工作负载上轻松创建警报和接收算法需要维护时的通知的基础。
Algorithmia ML模型性能度量
用户可以监控的Algorithmia ML模型性能度量取决于算法选择和用例。然而，它们可能包括以下指标：
- 风险得分
- 审批
- 算法持续时间
风险得分和审批是该Python Algorithmia示例的特定指标，而算法持续时间是许多自动创建的指标之一，适用于每次算法执行。
