Adminisztratív információk
Cím | MLOps életciklus |
Időtartam | 60 |
Modul | B |
Lecke típusa | Előadás |
Fókusz | Gyakorlati – Szervezeti MI |
Téma | Az MLOps életciklusának végponttól végpontig történő áttekintése |
Kulcsszó
MLOps,Organizational AI,Etikai, Tervezés,
Tanulási célok
- Az MLOps végpontok közötti megértése
- Az adatok lenyelésének megértése
- Ismerkedj meg az algoritmus fejlesztésével
- Ismerje meg a modellfejlesztést és a telepítést
- A folyamatos nyomon követés megértése
Várható előkészítés
Az előtt befejezendő tanulási események
Kötelező a diákok számára
Választható diákok számára
- Adatelőkészítés és -kezelés: Az MLOps-ba való merülés előtt hasznos megérteni a gépi tanulási folyamat kezdeti fázisait, különösen az adatgyűjtést, a tisztítást és az előfeldolgozást
- Modellképzés és validálás: A modellek képzésének, validálásának és értékelésének megértése szilárd alapot nyújt az ML működési szempontjainak megértéséhez.
- Hiperparaméter Tuning: Bár az MLOps kurzusok nem mindig fedik le mélységben, a hiperparaméter tuning megértése hasznos lehet, mivel ez a modelloptimalizálás kulcsfontosságú lépése.
- MLOps eszközök és platformok: Az olyan eszközök ismerete, mint a Kubeflow, az Azure ML és mások, előnyt jelenthet a diákok számára.
- Dokumentációs gyakorlatok az ML-ben: A reprodukálhatóság és az együttműködés szempontjából elengedhetetlen a megfelelő dokumentáció az MLOps-ban. A legjobb gyakorlatok megértése az ML dokumentációban előnyös lehet.
- Crisp-DM, CRISP-ML, ML vászon: Ezek az ML projektmenedzsment módszertanai és keretrendszerei. Az alapvető megértés hasznos lehet az ML projektek operatív oldala számára.
Referenciák és háttér a diákok számára
Ajánlott tanároknak
- N/A
Leckeanyagok
Utasítások tanároknak
- Ez az előadás teljes áttekintést/alapítványt nyújt az MLOps életciklusáról. Az előadás olyan alapokat és hátteret (többek között kódrészleteket) biztosít, amelyek szükségesek a következő bemutatóhoz, amely átülteti a gyakorlatba a modell gyártási célú tesztelésének folyamatát. Az előadás a következőkre terjed ki:
- AI is Software 2.0 – A világ előtti és utáni AI
- MLOps életciklusa: DataOps, Model Ops és DevOps – hogyan illeszkedik az egész?
- Az ökoszisztéma bővítése
- MLOps életciklus – végpontok közötti megközelítés
- Adat, modell és kód – az MLOps gerince
- AI szoftver és App Stack
- A piacon ma rendelkezésre álló eszközök
- A különböző App stackek megértése
- MLOps tervezési elemek
- Építészeti döntések
- Batch VS Streaming – Mi a legjobb megközelítés
- Tesztelési stratégiák – Hogyan lehet szigorúan tesztelni az ML modelleket
A legtöbb előkészítő elemet felállítják, és bemutatják az alkalmazott eszközöket.
Vázlat
Időtartam (min) | Leírás |
---|---|
10 | Az AI szoftver 2.0 |
15 | MLOps – a nagyszerű telepítésről és nyomon követésről |
10 | Az MLOps tesztelésének áttekintése |
15 | Futásidő, szerszámozás és teljesítmény megfontolások |
10 | A teljes MLOps tesztparadigma |
Visszaigazolások
Tarry Singh vagyok. (Real AI B.V., Assen, Hollandia) https://realai.eu
A Human-Centered AI Masters programot az Európai Unió Európai Hálózatfinanszírozási Eszköze (CEF-TC-2020–1 Digitális készségek 2020 EU-IA-0068) társfinanszírozta.