Maskinlæring i produksjon betyr at modellens resultater faktisk påvirker en bruker eller et produkt.
En modell i produksjon har direkte effekt og et krav om ansvar: hvis ingen retter den når den tar feil, er den ikke reell produksjon. Forfatteren sier at modeller i notatbøker er bare toppen av isfjellet; produksjon omfatter også lagring av data, innhenting av produksjonsdata og selve utrullingen av modellen. Modeller kan støtte beslutninger (score, anbefaling, varsel) eller treffe dem automatisk; automatisering øker konsekvensene av feil og stiller høyere krav til ingeniørarbeid. Når man sender modellen ut i drift bør man følge enkle trinn: lage en funksjon som laster modellen og validerer inndata, tilby et grensesnitt som en API som fungerer som en kontrakt, og pakke miljøet slik at koden og avhengigheter kan kjøre andre steder. Dette er viktig bakgrunn i AI-nyheter om praktisk bruk av kunstlig intelligens (KI).
Teksten peker på at energisektoren, særlig kjernekraft, er tungt regulert, og det gjør spørsmål om drift, ansvar og pålitelighet ved bruk av slike modeller relevante for norske virksomheter.
Kilde: https://towardsdatascience.com/machine-learning-in-production-what-this-really-means | Sammendraget er KI-generert med OpenAI API og kvalitetssikret av redaksjonen i Ainy.no
