Haldusteave
| Ametinimetus | MLOPSi elutsükkel |
| Kestus | 60 |
| Moodul | B |
| Õppetunni liik | Loeng |
| Keskendumine | Praktiline – organisatsiooniline tehisintellekt |
| Teema | Ülevaade MLOPSi olelusringi lõpust lõpuni |
Võtmesõnad
MLOps, organisatsiooniline tehisintellekt, eetika, disain,
Õpieesmärgid
- MLOPS-ide mõistmine algusest lõpuni
- Andmete allaneelamise mõistmine
- Algoritmide arendamisega tutvumine
- Tutvuge mudeli arendamise ja kasutuselevõtuga
- Pideva järelevalve mõistmine
Eeldatav ettevalmistamine
Õppeüritused, mis tuleb lõpetada enne
Kohustuslik õpilastele
Valikuline õpilastele
- Andmete ettevalmistamine ja haldamine: Enne MLOpsi sukeldumist on kasulik mõista masinõppe protsessi algetappe, eriti andmete kogumist, puhastamist ja eeltöötlust.
- Koolituse ja valideerimise mudel: Arusaam sellest, kuidas mudeleid koolitatakse, valideeritakse ja hinnatakse, annab tugeva aluse MLi operatiivaspektide mõistmiseks.
- Hüperparameetrite häälestamine: Kuigi MLOps kursused ei ole alati põhjalikult kaetud, võib hüperparameetri häälestamise mõistmine olla kasulik, kuna see on mudeli optimeerimise oluline samm.
- MLOPSi tööriistad ja platvormid: Teadmised tööriistadega nagu Kubeflow, Azure ML ja teised võivad anda õpilastele edumaad.
- Dokumentatsiooni tavad ML: Korratavuse ja koostöö tagamiseks on MLOpsis oluline nõuetekohane dokumentatsioon. Heade tavade mõistmine ML dokumentatsioonis võib olla kasulik.
- Karge-DM, CRISP-ML, ML lõuend: Need on metodoloogiad ja raamistikud ML projektijuhtimiseks. Põhiteadmiste omamine võib olla kasulik MLi projektide operatiivsele poolele.
Viited ja taust õpilastele
Soovitatav õpetajatele
- EI KOHALDATA
Õppematerjalid
Juhised õpetajatele
- See loeng annab täieliku ülevaate/asutamise MLOps elutsüklist. Loeng annab mõned alused ja tausta (sealhulgas mõned koodi lõigud), mis on vajalikud järgmise juhendaja, mis rakendab praktikas MLOps protsessi testimise mudel tootmise eesmärgil. Täpsemalt hõlmab loeng järgmist:
- AI on tarkvara 2.0 – enne ja pärast maailma AI
- MLOPSi elutsükkel: DataOps, Model Ops ja DevOps – kuidas see kõik sobib?
- Ökosüsteemi laiendamine
- MLOPSi elutsükkel – algusest lõpuni lähenemisviis
- Andmed, mudel ja kood – MLOpsi selgroog
- AI tarkvara ja rakendus Stack
- Olemasolevad tööriistad turul täna
- Erinevate rakenduse virnade mõistmine
- MLOps Design Elements
- Arhitektuursed valikud
- Partii VS Streaming – mis on parim lähenemine
- Testimisstrateegiad – kuidas oma ML-mudeleid rangelt testida
Enamik ettevalmistusi on loodud ja tutvustatakse kasutatavaid tööriistu.
Kontuur
| Kestus (Min) | Kirjeldus |
|---|---|
| 10 | AI on tarkvara 2.0 |
| 15 | MLOps – suurepärasest kasutuselevõtust ja järelevalvest |
| 10 | Ülevaade MLOps testimisest |
| 15 | Tööaja, tööriistade ja jõudlusega seotud kaalutlused |
| 10 | Täielik MLOps testimine Paradigm |
Tunnustused
Tarry Singh. (Real AI B.V., Assen, Madalmaad) https://realai.eu
Inimkeskse tehisintellekti magistriprogrammi kaasfinantseeris Euroopa Liidu Ühendamise Rahastu toetusega CEF-TC-2020–1 „Digioskused 2020“-EU-IA-0068.