Administrativ information
| Titel | Dataarkitektur |
| Varaktighet | 60 |
| Modul | B |
| Typ av lektion | Interaktiv session |
| Fokus | Praktiskt – Organisatorisk AI |
| Ämne | Dataarkitektur |
Nyckelord
Dataarkitektur,Machine Learning pipeline, MLOps,
Lärandemål
- Att känna till de grundläggande dataarkitekturerna i maskininlärning
- Ställ frågor om de mest lämpade dataarkitekturerna
Förväntad förberedelse
Lärande händelser som ska slutföras innan
Obligatoriskt för studenter
- Process för dataanalys
- Modeller för maskininlärning
- DevOps
- CI/CD
Valfritt för studenter
Ingen.
Referenser och bakgrund för studenter
- DevOps
- CI/CD
Rekommenderas för lärare
Lektionsmaterial
Instruktioner för lärare
Använd följande översikt:
- Introduktion till diskussionen
- Vilka är de mest diffusa arkitekturerna för ML Systems?
- Vad är en typisk ML pipeline?
- Vad är MLOPS?
- Hur är det möjligt att automatisera och orkestrera en ML-pipeline?
- Hur är det möjligt att konfigurera ett system för kontinuerlig integration/kontinuerlig leverans CI/CD för ML-ledningen med hjälp av molnet?
- Frågor och vidare diskussion om ämnen som föreslagits av studenter
- Diskussion
- Vilka är egenskaperna hos Tensor Flow eXTended (TFX) arkitektur?
- Hur kan Cloud stödja TFX-modellen?
- Hur är det möjligt att automatisera och orkestrera TFX-ledningen?
- Hur är det möjligt att konfigurera ett Continuous Integration/Continuous Delivery CI/CD-system för TFX-rörledningen?
- Frågor och vidare diskussion om ämnen som föreslagits av studenter
- Slutsatser
- Sammanfatta och diskutera lektionsresultaten:
- Huvuddragen i en ML-systemarkitektur och ML-ledningar
- MLOps
- Automatisera och orkestrera en ML-pipeline med hänvisning till TFX-modellen
- Avslutande anmärkningar
- Sammanfatta och diskutera lektionsresultaten:
Tidsplan
| Längd (min) | Beskrivning | Begrepp |
|---|---|---|
| 20 | Introduktion till diskussionen | Ml Systemarkitektur, ML Pipeline |
| 30 | Diskussion | Ml i produktionsexempel |
| 10 | Sammanfattning och avslutande kommentarer |
Erkännanden
Masterprogrammet Human-Centered AI har samfinansierats av Fonden för ett sammanlänkat Europa i Europeiska unionen inom ramen för Grant CEF-TC-2020–1 Digital Skills 2020 EU-IA-0068.