Διοικητικές πληροφορίες
| Τίτλος | Κύκλος ζωής MLOps |
| Διάρκεια | 60 |
| Ενότητα | Β |
| Είδος μαθήματος | Διάλεξη |
| Εστίαση | Πρακτική — Οργανωτική ΤΝ |
| Θέμα | Διατερματική επισκόπηση του κύκλου ζωής των MLOps |
Λέξεις-κλειδιά
MLOps, οργανωτικό AI, ηθικό, σχέδιο,
Μαθησιακοί στόχοι
- Κατανόηση των MLOps από άκρο σε άκρο
- Κατανόηση της πρόσληψης δεδομένων
- Εξοικείωση με την ανάπτυξη αλγορίθμων
- Εξοικείωση με την ανάπτυξη μοντέλων και την ανάπτυξη
- Κατανόηση της συνεχούς παρακολούθησης
Αναμενόμενη προετοιμασία
Μαθησιακές εκδηλώσεις που πρέπει να ολοκληρωθούν πριν
Υποχρεωτικό για τους φοιτητές
Προαιρετικό για Φοιτητές
- Προετοιμασία και Διαχείριση Δεδομένων: Πριν από την κατάδυση στο MLOps, είναι ωφέλιμο να κατανοήσουμε τις αρχικές φάσεις της διαδικασίας μηχανικής μάθησης, ειδικά τη συλλογή δεδομένων, τον καθαρισμό και την προεπεξεργασία.
- Πρότυπη Εκπαίδευση και Επικύρωση: Η κατανόηση του τρόπου με τον οποίο τα μοντέλα εκπαιδεύονται, επικυρώνονται και αξιολογούνται θα παρέχει μια σταθερή βάση για την κατανόηση των επιχειρησιακών πτυχών του ML.
- Υπερπαράμετρος Συντονισμός: Αν και δεν καλύπτεται πάντα σε βάθος στα μαθήματα MLOps, η κατανόηση του συντονισμού υπερπαραμέτρου μπορεί να είναι επωφελής, καθώς είναι ένα κρίσιμο βήμα στη βελτιστοποίηση μοντέλων.
- Εργαλεία και πλατφόρμες MLOps: Η εξοικείωση με εργαλεία όπως το Kubeflow, το Azure ML και άλλα μπορούν να δώσουν στους μαθητές ένα προβάδισμα.
- Πρακτικές τεκμηρίωσης στο ML: Η κατάλληλη τεκμηρίωση είναι απαραίτητη στα MLOps για την αναπαραγωγιμότητα και τη συνεργασία. Η κατανόηση των βέλτιστων πρακτικών στην τεκμηρίωση ML μπορεί να είναι επωφελής.
- Crisp-DM, CRISP-ML, ML καμβάς: Αυτές είναι μεθοδολογίες και πλαίσια για τη διαχείριση έργων ML. Η ύπαρξη μιας βασικής κατανόησης μπορεί να είναι επωφελής για την επιχειρησιακή πλευρά των έργων ML.
Αναφορές και υπόβαθρο για τους μαθητές
Συνιστάται για εκπαιδευτικούς
- Α/Α
Υλικό μαθήματος
Οδηγίες για τους εκπαιδευτικούς
- Αυτή η διάλεξη θα παρέχει μια πλήρη επισκόπηση/θεμελίωση του κύκλου ζωής των MLOps. Η διάλεξη θα παρέχει κάποια θεμέλια και υπόβαθρο (συμπεριλαμβανομένων ορισμένων αποσπασμάτων κώδικα) που θα απαιτηθούν για το ακόλουθο σεμινάριο που θα θέσει σε εφαρμογή τη διαδικασία δοκιμής ενός μοντέλου για σκοπούς παραγωγής. Συγκεκριμένα, η διάλεξη θα καλύπτει:
- AI είναι το λογισμικό 2.0 — Pre και post-World AI
- Κύκλος ζωής MLOps: DataOps, Model Ops και DevOps — πώς ταιριάζουν όλα.
- Επέκταση του οικοσυστήματος
- Κύκλος ζωής MLOps — διατερματική προσέγγιση
- Δεδομένα, Μοντέλο και Κώδικας — η ραχοκοκαλιά του MLOps
- AI λογισμικό και στοίβα εφαρμογών
- Διαθέσιμα εργαλεία στην αγορά σήμερα
- Κατανόηση διαφόρων στοίβων εφαρμογών
- Στοιχεία σχεδιασμού MLOps
- Αρχιτεκτονικές επιλογές
- Batch VS Streaming — Ποια είναι η καλύτερη προσέγγιση
- Στρατηγικές δοκιμών — Πώς να δοκιμάσετε αυστηρά τα μοντέλα ML σας
Τα περισσότερα από τα στοιχεία προετοιμασίας έχουν συσταθεί και οι εισαγωγές στα εργαλεία που χρησιμοποιούνται.
Σχεδιάγραμμα
| Διάρκεια (ελάχιστη) | Περιγραφή |
|---|---|
| 10 | Το AI είναι λογισμικό 2.0 |
| 15 | MLOps — σχετικά με τη μεγάλη ανάπτυξη και παρακολούθηση |
| 10 | Επισκόπηση των δοκιμών MLOps |
| 15 | Χρόνος εκτέλεσης, εργαλεία και παράμετροι απόδοσης |
| 10 | Ένα πλήρες πρότυπο δοκιμής MLOps |
Αναγνωρίσεις
Τάρυ Σινγκ. (Real AI B.V., Assen, Κάτω Χώρες) https://realai.eu
Το πρόγραμμα Μάστερ τεχνητής νοημοσύνης με επίκεντρο τον άνθρωπο συγχρηματοδοτήθηκε από τον μηχανισμό «Συνδέοντας την Ευρώπη» της Ευρωπαϊκής Ένωσης στο πλαίσιο της επιχορήγησης CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068.