Administrative oplysninger
| Titel | MLOps livscyklus |
| Varighed | 60 |
| Modul | B |
| Lektionstype | Forelæsning |
| Fokus | Praktisk — Organisationel kunstig intelligens |
| Emne | End-to-end oversigt over MLOps livscyklus |
Nøgleord
MLOps, Organisatorisk AI, Etisk,Design,
Læringsmål
- Forståelse af MLOps end-to-end
- Forståelse af dataindtagelse
- At blive fortrolig med Algorithm Development
- Kendskab til modeludvikling og implementering
- Forståelse af løbende overvågning
Forventet forberedelse
Læringsbegivenheder, der skal fuldføres før
Obligatorisk for studerende
Valgfrit for studerende
- Forberedelse og forvaltning af data: Før du dykker ind i MLOps, er det gavnligt at forstå de indledende faser af maskinindlæringsprocessen, især dataindsamling, rengøring og forbehandling
- Modeluddannelse og validering: En forståelse af, hvordan modeller trænes, valideres og evalueres, vil give et solidt grundlag for at forstå de operationelle aspekter af ML.
- Hyperparametertuning: Selvom det ikke altid er dækket i dybden i MLOps kurser, kan forståelse hyperparameter tuning være gavnlig, da det er et afgørende skridt i modeloptimering.
- MLOps værktøjer og platforme: Kendskab til værktøjer som Kubeflow, Azure ML og andre kan give eleverne et forspring.
- Dokumentationspraksis i ML: Korrekt dokumentation er afgørende i MLOps for reproducerbarhed og samarbejde. Forståelse af bedste praksis i ML-dokumentation kan være en fordel.
- Sprød-DM, CRISP-ML, ML Canvas: Der er tale om metoder og rammer for ML-projektstyring. At have en grundlæggende forståelse kan være til gavn for den operationelle side af ML-projekter.
Referencer og baggrund for studerende
Anbefalet til lærerne
- IKKE RELEVANT
Undervisningsmaterialer
Instruktioner til lærerne
- Dette foredrag vil give et komplet overblik/grundlag for MLOps livscyklus. Foredraget vil give nogle fundamenter og baggrund (herunder nogle kode uddrag), der vil være påkrævet for følgende tutorial, der vil sætte i praksis MLOps processen med at teste en model til produktionsformål. Forelæsningen vil specifikt dække:
- AI er Software 2.0 — Pre and Post-World AI
- MLOps livscyklus: DataOps, Model Ops og DevOps — hvordan passer det hele ind.
- Udvidelse af økosystemet
- MLOps-livscyklus — end-to-end-tilgang
- Data, model og kode — rygraden i MLOps
- AI Software og App Stack
- Tilgængelige værktøjer på markedet i dag
- Forståelse af forskellige App stacks
- MLOps Design Elements
- Arkitektoniske valg
- Batch VS Streaming — Hvad er den bedste tilgang
- Teststrategier — Sådan testes dine ML-modeller grundigt
De fleste forberedelseselementer er sat op og introduktioner til de anvendte værktøjer.
Omrids
| Varighed (min.) | Beskrivelse |
|---|---|
| 10 | AI er Software 2.0 |
| 15 | MLOps — om stor implementering og overvågning |
| 10 | En oversigt over MLOps test |
| 15 | Runtime, Tooling og Performance-overvejelser |
| 10 | En komplet MLOps test Paradigm |
Anerkendelser
Tarry Singh. (Real AI B.V., Assen, Nederlandene) https://realai.eu
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.