以漂移感知的增量學習工作流程提升AI的可操作性 Operationalizing AI with Drift Aware Incremental Learning Workflow
Jayanth Balaji Avanashilingam, MathWorks
漂移感知的增量學習(drift-aware incremental learning)被視為一種有助於改善AI模型可操作性的可行方法。這種方法支援了模型因應資料類型演變的即時適應性，確保持續的精確度與性能表現。探索如何使用MATLAB®無縫地將漂移感知技巧融入至你的MLOps流程，促進有效率的模型更新和健全的部署。展現合併增量學習與漂移偵測的優勢，進而打造最適模型健康與動態環境的可靠性。
演講要點：
- 使用低程式碼工作流程開發資料導向模型
- 在產品級環境進行模型部署
- 資料漂移的監測
- 以回饋為基礎的模型再訓練與工作流程的可操作化