Información administrativa
| Título | Ciclo de vida de MLOps |
| Duración | 60 |
| Módulo | B |
| Tipo de lección | Conferencia |
| Enfoque | Práctica — IA organizativa |
| Tema | Resumen de extremo a extremo del ciclo de vida de MLOps |
Keywords
MLOps, AI organizacional, ética, diseño,
Objetivos de aprendizaje
- Comprensión de los MLOps de extremo a extremo
- Comprensión de la ingesta de datos
- Familiarizarse con el desarrollo de algoritmos
- Familiarizarse con el desarrollo y despliegue de modelos
- Comprensión de la monitorización continua
Preparación prevista
Eventos de aprendizaje que se completarán antes
Obligatorio para los estudiantes
Opcional para estudiantes
- Preparación y gestión de datos: Antes de sumergirse en MLOps, es beneficioso comprender las fases iniciales del proceso de aprendizaje automático, especialmente la recopilación, limpieza y preprocesamiento de datos.
- Modelo de Formación y Validación: Una comprensión de cómo los modelos se entrenan, validan y evalúan proporcionará una base sólida para comprender los aspectos operativos de ML.
- Ajuste del hiperparámetro: Si bien no siempre se cubre en profundidad en los cursos de MLOps, comprender la sintonización de hiperparámetros puede ser beneficioso, ya que es un paso crucial en la optimización del modelo.
- Herramientas y plataformas MLOps: La familiaridad con herramientas como Kubeflow, Azure ML y otras pueden dar a los estudiantes una ventaja.
- Prácticas de Documentación en ML: La documentación adecuada es esencial en MLOps para la reproducibilidad y la colaboración. Comprender las mejores prácticas en la documentación de ML puede ser ventajoso.
- Crisp-DM, CRISP-ML, ML Canvas: Estas son metodologías y marcos para la gestión de proyectos de ML. Tener una comprensión básica puede ser beneficioso para el lado operativo de los proyectos de ML.
Referencias y antecedentes para estudiantes
Recomendado para profesores
- N/A
Material didáctico
Instrucciones para profesores
- Esta conferencia proporcionará una visión general/fundación completa del ciclo de vida de MLOps. La conferencia proporcionará algunos fundamentos y antecedentes (incluidos algunos fragmentos de código) que se requerirán para el siguiente tutorial que pondrá en práctica el proceso MLOps de probar un modelo con fines de producción. Específicamente, la conferencia cubrirá:
- AI es Software 2.0 — Pre y Post-World AI
- Ciclo de vida de MLOps: DataOps, Model Ops y DevOps: ¿cómo encaja todo esto?
- Ecosistema en expansión
- Ciclo de vida de MLOps — enfoque de extremo a extremo
- Datos, Modelo y Código — la columna vertebral de MLOps
- AI Software y App Stack
- Herramientas disponibles en el mercado hoy en día
- Comprensión de varias pilas de aplicaciones
- Elementos de diseño de MLOps
- Opciones arquitectónicas
- Lote VS Streaming — ¿Cuál es el mejor enfoque?
- Estrategias de prueba — Cómo probar rigurosamente sus modelos de ML
La mayoría de los elementos de preparación están configurados e introducciones a las herramientas utilizadas.
Esquema
| Duración (Min) | Descripción |
|---|---|
| 10 | AI es Software 2.0 |
| 15 | MLOps — sobre un gran despliegue y monitoreo |
| 10 | Una visión general de las pruebas de MLOps |
| 15 | Consideraciones de tiempo de ejecución, herramientas y rendimiento |
| 10 | Un Paradigma de Prueba de MLOps Completo |
Reconocimientos
Tarry Singh. (Real AI B.V., Assen, Países Bajos) https://realai.eu
El programa de maestría en IA centrada en el ser humano fue cofinanciado por el Mecanismo «Conectar Europa» de la Unión Europea en virtud de la subvención «CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068».