Обновление развертываний машинного обучения: удобочитаемые прогнозы на AWS Lambda и ECR

Описание: Не позволяйте вашим моделям машинного обучения говорить на языке кода — пусть они говорят с людьми! В этом руководстве мы рассмотрим процесс обновления существующего развертывания AWS Lambda, чтобы вместо числовых индексов предоставлять описательные, удобочитаемые метки.
Используя модель Iris Random Forest в качестве примера, мы продемонстрируем, как итеративно улучшать развертывание без необходимости переобучения модели. Это ключевой навык MLOps: обновление логики приложения («оболочки») с сохранением целостности основного артефакта модели.

В этом видео вы узнаете, как:
Перенастроить CloudShell: сброс переменных среды (идентификатор учетной записи, регион, URI ECR) для новой сессии.

Изменить логику Lambda: обновление скрипта app.py для сопоставления индексов прогнозирования (0, 1, 2) с фактическими названиями видов (Setosa, Versicolor, Virginica).

Собрать и отправить обновления: использование Docker CLI для пересборки образа контейнера и отправки новой версии в Amazon ECR.

Контроль версий: управление тегами образов и проверка обновлений в консоли управления AWS.
Независимо от того, создаете ли вы прототип или производственный сервис, предоставление понятных результатов имеет важное значение для обеспечения отличного пользовательского опыта.