Verwaltungsinformationen
| Titel | MLOps-Lebenszyklus |
| Dauer | 60 |
| Modulen | B |
| Unterrichtstyp | Vortrag |
| Fokussierung | Praktisch – Organisationelle KI |
| Themenbereich | End-to-End-Überblick über den MLOps-Lebenszyklus |
Suchbegriffe
MLOps, Organizational AI, ethisch, Design,
Lernziele
- MLOps Ende-zu-Ende verstehen
- Datenaufnahme verstehen
- Sich mit Algorithm Development vertraut machen
- Sich mit Modellentwicklung und -bereitstellung vertraut machen
- Kontinuierliche Überwachung verstehen
Erwartete Vorbereitung
Lernveranstaltungen, die vorab abgeschlossen werden müssen
Obligatorisch für Studenten
Optional für Studenten
- Datenaufbereitung und -management: Bevor Sie in MLOps eintauchen, ist es von Vorteil, die ersten Phasen des maschinellen Lernprozesses zu verstehen, insbesondere die Datenerfassung, Reinigung und Vorverarbeitung.
- Modelltraining und Validierung: Ein Verständnis dafür, wie Modelle geschult, validiert und evaluiert werden, wird eine solide Grundlage für das Verständnis der operativen Aspekte von ML sein.
- Hyperparameter-Tuning: Obwohl nicht immer ausführlich in MLOps-Kursen behandelt, kann das Verständnis von Hyperparameter-Tuning von Vorteil sein, da es ein entscheidender Schritt in der Modelloptimierung ist.
- MLOps Tools und Plattformen: Die Vertrautheit mit Tools wie Kubeflow, Azure ML und anderen kann den Schülern einen Vorsprung geben.
- Dokumentationspraxis in ML: Eine ordnungsgemäße Dokumentation ist in MLOps für Reproduzierbarkeit und Zusammenarbeit unerlässlich. Das Verständnis von Best Practices in der ML-Dokumentation kann von Vorteil sein.
- Crisp-DM, CRISP-ML, ML Canvas: Dies sind Methoden und Frameworks für das ML-Projektmanagement. Ein grundlegendes Verständnis kann für die operative Seite von ML-Projekten von Vorteil sein.
Referenzen und Hintergründe für Studierende
Empfohlen für Lehrer
- N/A
Unterrichtsmaterialien
Anleitung für Lehrer
- Diese Vorlesung bietet eine vollständige Übersicht/Gründung des MLOps-Lebenszyklus. Der Vortrag wird einige Grundlagen und Hintergründe (einschließlich einiger Code-Snippets) liefern, die für das folgende Tutorial erforderlich sind, das den MLOps-Prozess zum Testen eines Modells für Produktionszwecke in die Praxis umsetzen wird. Der Vortrag umfasst insbesondere:
- KI ist Software 2.0 – Pre- und Post-World AI
- MLOps-Lebenszyklus: DataOps, Model Ops und DevOps – wie passt alles dazu?
- Erweiterung des Ökosystems
- MLOps-Lebenszyklus – End-to-End-Ansatz
- Daten, Modell und Code – das Rückgrat von MLOps
- KI-Software und App-Stack
- Verfügbare Werkzeuge auf dem Markt heute
- Verschiedene App-Stacks verstehen
- MLOps Design-Elemente
- Architektonische Entscheidungen
- Batch VS Streaming – Was ist der beste Ansatz?
- Teststrategien – Wie Sie Ihre ML-Modelle rigoros testen
Die meisten Vorbereitungselemente sind eingerichtet und Einführungen in die verwendeten Werkzeuge.
Gliederung
| Dauer (Min.) | Beschreibung |
|---|---|
| 10 | KI ist Software 2.0 |
| 15 | MLOps – über großartige Bereitstellung und Überwachung |
| 10 | Ein Überblick über MLOps-Tests |
| 15 | Laufzeit-, Tooling- und Performance-Überlegungen |
| 10 | Ein komplettes MLOps-Testparadigm |
Danksagung
Tarry Singh. (Real AI B.V., Assen, Niederlande) https://realai.eu
Das Human-Centered AI Masters-Programm wurde von der Fazilität „Connecting Europe“ der Europäischen Union im Rahmen des Zuschusses „CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068“ kofinanziert.