Riassunto analitico
Questa tesi nasce con la collaborazione di Ammagamma una giovane azienda del centro di Modena, nata poco meno di 10 anni fa. L'azienda si occupa di vendere soluzioni d'Intelligenza Artificiale a terze parti. La richiesta di Ammagamma prevede di costruire, il principio di una dashboard, dove poter monitorare tutti i modelli che loro hanno in produzione.
I modelli non sono eterni, è possibile che le metriche subiscano un deterioramento poco dopo la messa in produzione dell'algoritmo. Occorre implementare strumenti e misure, riconosciute in letteratura, per poter gestire e monitorare i modelli. Quello che ci si aspetta, non è che gli algoritmi di previsione non sbaglino, ma è di commettere un errore, sui nuovi dati ottenuti a distanza di tempo dalla messa a punto del modello, che non sia troppo distaccato dagli errori ottenuti nella fase di addestramento.
|
Abstract
This thesis borns with the collaboration of Ammagamma, a young company in the downtown of Modena, born just under 10 years ago. The company deals with selling Artificial Intelligence solutions to third parties. Ammagamma's request envisages building, the principle of a dashboard, where they can monitoring all the models which they have in production.
Models are not eternal, it is possible that metrics deteriorate shortly after the algorithm goes into production. It is necessary to implement tools and measures, recognized in the literature, in order to manage and monitoring the models.
|
