Административна информация
| Дял | Жизнен цикъл на MLOps |
| Продължителност | 60 |
| Модул | Б |
| Вид на урока | Лекция |
| Фокус | Практически — Организационен ИИ |
| Тема | Преглед от край до край на жизнения цикъл на MLOps |
Ключови думи
MLOps, организационен ИИ, етичен, дизайн,
Учебни цели
- Разбиране на MLOps от край до край
- Разбиране на използването на данни
- Запознаване с развитието на алгоритмите
- Запознаване с разработването и внедряването на модела
- Разбиране на непрекъснатия мониторинг
Очаквана подготовка
Обучение на събития, които трябва да бъдат завършени преди
Задължително за студентите
Незадължително за студенти
- Подготовка и управление на данните: Преди да се гмуркате в MLOps, е полезно да разберете началните фази на процеса на машинно обучение, особено събирането на данни, почистването и предварителната обработка.
- Модел на обучение и валидиране: Разбирането на това как моделите се обучават, валидират и оценяват ще осигури солидна основа за разбиране на оперативните аспекти на ML.
- Тунинг на хиперпараметъра: Въпреки че не винаги е покрита в дълбочина в курсовете MLOps, разбирането на настройката на хиперпараметъра може да бъде от полза, тъй като това е решаваща стъпка в оптимизирането на модела.
- Инструменти и платформи за MLOps: Познаването на инструменти като Kubeflow, Azure ML и други могат да дадат на учениците преднина.
- Документиране на практики в ML: Правилната документация е от съществено значение в MLOps за възпроизводимост и сътрудничество. Разбирането на най-добрите практики в документацията за ML може да бъде изгодно.
- Хрупкаво-DM, CRISP-ML, ML платно: Това са методологии и рамки за управление на ML проекти. Наличието на основно разбиране може да бъде от полза за оперативната страна на проектите за ML.
Референции и фон за студенти
Препоръчва се за учители
- НЕ Е ПРИЛОЖИМО
Материали за уроци
Инструкции за учители
- Тази лекция ще предостави пълен преглед/основание на жизнения цикъл на MLOps. Лекцията ще предостави някои основи и фон (включително някои кодови фрагменти), които ще бъдат необходими за следния урок, който ще приложи на практика процеса на тестване на модел за производствени цели. По-конкретно лекцията ще обхване:
- AI е софтуер 2.0 — Pre и Post-World AI
- Жизнен цикъл на MLOps: DataOps, Model Ops и DevOps — как се вписва всичко това.
- Разширяване на екосистемата
- Жизнен цикъл на MLOps — подход „от край до край“
- Данни, модел и код — гръбнакът на MLOps
- AI софтуер и App Stack
- Налични инструменти на пазара днес
- Разбиране на различни стакове за приложения
- Елементи за проектиране на MLOps
- Архитектурни решения
- Партида срещу стрийминг — Какъв е най-добрият подход
- Стратегии за тестване — Как да тествате стриктно своите ML модели
Повечето от елементите за подготовка са създадени и въведения към използваните инструменти.
Очертаване
| Продължителност (минимум) | Описание |
|---|---|
| 10 | AI е софтуер 2.0 |
| 15 | MLOps — за голямо разполагане и мониторинг |
| 10 | Преглед на тестването на MLOps |
| 15 | Време за изпълнение, Инструменти и производителност съображения |
| 10 | Пълна MLOps тестване парадигма |
Потвърждения
Чакай Сингх. (Реален AI B.V., Асен, Нидерландия) https://realai.eu
Магистърската програма по ИИ, насочена към човека, беше съфинансирана от Механизма за свързване на Европа на Европейския съюз под формата на безвъзмездни средства № CEF-TC-2020—1 Digital Skills 2020-EU-IA-0068.