结论和后续步骤

在本教程中，我们在 Foundry 中创建了一个监督式机器学习项目，其中我们：

• 创建了一个用于迭代模型实验和开发的项目，
• 执行了初始特征准备和流水线处理，
• 训练了一个生产就绪的模型，
• 将我们的模型部署到一个实时托管的终端和一个自动更新的批处理流水线。

Foundry 自动跟踪您在平台中生成的所有资源的沿袭。在本教程结束时，您将拥有一个类似以下截图的流水线。

操作： 导航到您的 house_price_predictions 数据集，选择 探索流水线 > 探索数据沿袭。

后续步骤

下一步是将此示例工作流程转换为您组织中的实际工作流程。

这通常包括：

1. 将来自多个数据源的数据集成到 Foundry 中，以创建一个 features_and_labels 数据集，可用于训练和测试不同的模型。
2. 尝试不同的模型架构、参数和特征，以获得最佳的模型性能。
3. 将您的模型预测集成到 Foundry Ontology 中，以便通过批量部署、实时部署或 Python 变换在操作应用程序中使用。
4. 创建预发布检查 在您的建模目标中，以确保模型在发布前获得批准。
5. 创建“数据输出”操作，以捕获用户操作作为新数据集，并使用这些数据进行模型的持续再训练和改进。
6. 创建模型推断历史，以改进和迭代您的模型，以获得更准确的性能和使用。