Datendrifts erkennen mit Prometheus und Grafana

Diskrepanzen zwischen den Trainingsdaten und den realen Daten (Datendrift) können zu einem Rückgang der Genauigkeit eines Vorhersagemodells führen. Daher ist die Erkennung von Datendrift wichtig, insbesondere in Bereichen, in denen schnelle Reaktionen auf unerwartete Veränderungen entscheidend sind.

In diesem Szenario können die Open-Source-Tools Prometheus und Grafana für die Überwachung und Analyse von Metriken in Echtzeit verwendet werden.

Es wird ein Anwendungsbeispiel für die Kombination dieser Tools vorgestellt. Mit Prometheus werden dabei Daten aus verschiedenen Quellen gesammelt, mit Grafana werden diese visualisiert in Form benutzerfreundlicher Dashboards dargestellt.

Vorkenntnisse

Grundkenntnisse über Machine Learning Models

Lernziele

Eine praktische Demonstration der Verwendung von Prometheus und Grafana zur Erkennung von Datendrift. Wir werden zeigen, wie man Daten verschiedener Typen loggt und wie sie angezeigt werden können. Darüber hinaus werden wir ein Dashboard-Beispiel und seine Features vorstellen, die für den Vergleich von Trainings- und Live-Daten von großem Nutzen sein können.