Administrative oplysninger
| Titel | Dataarkitektur |
| Varighed | 60 |
| Modul | B |
| Lektionstype | Interaktiv session |
| Fokus | Praktisk — Organisationel kunstig intelligens |
| Emne | Dataarkitektur |
Nøgleord
Dataarkitektur,Machine Learning pipeline,MLOps,
Læringsmål
- At kende de grundlæggende dataarkitekturer i Machine Learning
- Stille spørgsmål om de mest egnede dataarkitekturer
Forventet forberedelse
Læringsbegivenheder, der skal fuldføres før
Obligatorisk for studerende
- Dataanalyseproces
- Maskinlæringsmodeller
- DevOps
- CI/CD
Valgfrit for studerende
Ingen.
Referencer og baggrund for studerende
- DevOps
- CI/CD
Anbefalet til lærerne
Undervisningsmaterialer
Instruktioner til lærerne
Brug følgende oversigt:
- Introduktion til diskussionen
- Hvad er de mest diffuse arkitekturer til ML Systems?
- Hvad er en typisk ML pipeline?
- Hvad er MLOps?
- Hvordan er det muligt at automatisere og orkestrere en ML pipeline?
- Hvordan er det muligt at konfigurere et Continuous Integration/Continuous Delivery CI/CD-system til ML-rørledningen ved hjælp af Cloud?
- Spørgsmål og yderligere diskussion om emner foreslået af studerende
- Diskussion
- Hvad er egenskaberne ved Tensor Flow eXTended (TFX) arkitektur?
- Hvordan kan Cloud understøtte TFX-modellen?
- Hvordan er det muligt at automatisere og orkestrere TFX-rørledningen?
- Hvordan er det muligt at konfigurere et Continuous Integration/Continuous Delivery CI/CD-system til TFX-rørledningen?
- Spørgsmål og yderligere diskussion om emner foreslået af studerende
- Konklusioner
- Opsummering og diskussion af lektionsresultaterne:
- Hovedtræk ved en ML-systemarkitektur og af ML-rørledninger
- MLOps
- Automatisering og orkestrering af en ML-rørledning med henvisning til TFX-modellen
- Afsluttende bemærkninger
- Opsummering og diskussion af lektionsresultaterne:
Tidsplan
| Varighed (min) | Beskrivelse | Koncepter |
|---|---|---|
| 20 | Introduktion til diskussionen | Ml Systemarkitektur, ML-rørledning |
| 30 | Diskussion | Ml i produktionseksempler |
| 10 | Opsummering og afsluttende bemærkninger |
Anerkendelser
Programmet Human-Centered AI Masters blev samfinansieret af Connecting Europe-faciliteten i Den Europæiske Union under tilskud CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068.