Hallinnolliset tiedot
| Otsikko | MLOps elinkaari |
| Kesto | 60 |
| Moduuli | B |
| Oppitunnin tyyppi | Luento |
| Keskittyminen | Käytännönläheinen – organisatorinen tekoäly |
| Aihe | Kokonaiskatsaus MLOpsin elinkaareen |
Avainsanoja
MLOPS, Organisaatio AI, Eettinen, Suunnittelu,
Oppimistavoitteet
- MLOpsin ymmärtäminen päästä päähän
- Tietojen nauttimisen ymmärtäminen
- Algoritmien kehittämiseen tutustuminen
- Mallin kehittämiseen ja käyttöönottoon tutustuminen
- Jatkuvan seurannan ymmärtäminen
Odotettu valmistelu
Oppimistapahtumat valmistuvat ennen
Pakollinen opiskelijoille
Valinnainen opiskelijoille
- Tietojen valmistelu ja hallinta: Ennen sukeltamista MLOpsiin on hyödyllistä ymmärtää koneoppimisprosessin alkuvaiheet, erityisesti tietojen kerääminen, puhdistaminen ja esikäsittely.
- Koulutuksen malli ja validointi: Käsitys siitä, miten malleja koulutetaan, validoidaan ja arvioidaan, tarjoaa vankan perustan ymmärtää ML:n operatiivisia näkökohtia.
- Hyperparametri Tuning: Vaikka MLOps-kursseilla ei aina käsitellä syvällisesti, hyperparametrien virityksen ymmärtäminen voi olla hyödyllistä, koska se on tärkeä askel mallin optimoinnissa.
- MLOps-työkalut ja -alustat: Perehtyneisyys työkaluihin, kuten Kubeflow, Azure ML ja muut voivat antaa opiskelijoille etumatkan.
- Dokumentointikäytännöt ML:ssä: Asianmukainen dokumentointi on tärkeää MLOpsissa toistettavuuden ja yhteistyön kannalta. ML-dokumentaation parhaiden käytäntöjen ymmärtäminen voi olla edullista.
- Crisp-DM, CRISP-ML, ML Canvas: Nämä ovat ML-projektinhallinnan menetelmiä ja kehyksiä. Perusymmärrys voi hyödyttää ML-hankkeiden operatiivista puolta.
Referenssejä ja taustaa opiskelijoille
Suositellaan opettajille
- EI
Oppituntimateriaalit
Ohjeita opettajille
- Tässä luennossa esitetään kattava katsaus/perustelu MLOpsin elinkaaresta. Luento tarjoaa joitakin säätiöitä ja taustaa (mukaan lukien joitakin koodinpätkät), joita tarvitaan seuraavaan opetusohjelmaan, joka käytännössä toteuttaa MLOps-prosessin mallin testaamiseksi tuotantotarkoituksiin. Luento kattaa erityisesti:
- AI on ohjelmisto 2.0 – ennen ja jälkeen maailman tekoälyn
- MLOpsin elinkaari: DataOps, Model Ops ja DevOps – miten se kaikki sopii.
- Ekosysteemin laajentaminen
- MLOpsin elinkaari – päästä päähän -lähestymistapa
- Tiedot, malli ja koodi – MLOpsin selkäranka
- AI Software ja App Stack
- Saatavilla olevat työkalut markkinoilla tänään
- Erilaisten sovelluspinojen ymmärtäminen
- MLOps Suunnitteluelementit
- Arkkitehtoniset valinnat
- Erä VS Streaming – Mikä on paras lähestymistapa
- Testausstrategiat – Kuinka testata tarkasti ML-malleja
Suurin osa valmistelukohteista on perustettu ja johdannot käytettyihin työkaluihin.
Hahmotella
| Kesto (Min) | Kuvaus |
|---|---|
| 10 | AI on ohjelmisto 2.0 |
| 15 | MLOps – hyvästä käyttöönotosta ja seurannasta |
| 10 | Yleiskatsaus MLOps-testaukseen |
| 15 | Runtime-, työkalu- ja suorituskykynäkökohdat |
| 10 | Täydellinen MLOps-testaus paradigma |
Tunnustukset
Viipyä Singh. (Real AI B.V., Assen, Alankomaat) https://realai.eu
Human-Centered AI Masters -ohjelmaa rahoitettiin Euroopan unionin Verkkojen Eurooppa -välineestä (CEF-TC-2020–1 Digital Skills 2020-EU-IA-0068).