まとめと次のステップ

このチュートリアルでは、Foundry で教師あり機械学習プロジェクトを作成し、次のことを行いました。

• モデルの実験と開発を反復的に行うためのプロジェクトを作成しました。
• 初期の特徴量の準備とパイプライン化を行いました。
• 本番環境で使用できるモデルを学習しました。
• モデルをライブホスト型エンドポイントと、自動的に更新されるバッチパイプラインにデプロイしました。

Foundry は、プラットフォーム内で作成したすべてのリソースのリネージを自動的に追跡します。このチュートリアルを完了すると、以下のスクリーンショットのようなパイプラインができあがります。

アクション：house_price_predictions データセットに移動し、パイプラインの探索 > Data Lineage の探索を選択します。

次のステップ

次のステップは、このワークフローの例を組織の実際のワークフローに転換することです。

通常、次の作業が含まれます。

1. さまざまなデータソースのデータを Foundry に統合し、異なるモデルの学習とテストに使用できる features_and_labels データセットを作成します。
2. 異なるモデルアーキテクチャ、パラメーター、特徴量を試して、モデルの性能を最大限に高めます。
3. バッチデプロイ、ライブデプロイ、または Python トランスフォームを通じてモデルの予測を Foundry オントロジーに統合し、業務アプリケーションで使用できるようにします。
4. モデリング目標でリリース前チェックを作成し、リリース前にモデルが承認されるようにします。
5. 「ライトバック」アクションを作成して、ユーザーのアクションを新しいデータセットとして記録し、このデータをモデルの継続的な再学習と改善に使用します。
6. モデル推論履歴を作成し、モデルを反復的に改善して、性能と利用の精度を高めます。