Informazioni amministrative
| Titolo | Ciclo di vita MLOps |
| Durata | 60 |
| Modulo | B |
| Tipo di lezione | Lezione |
| Focus | Pratiche — AI organizzativa |
| Argomento | Panoramica end-to-end del ciclo di vita MLOps |
Parole chiave
MLOps, AI organizzativa, Etica, Design,
Obiettivi di apprendimento
- Comprensione dei MLOps end-to-end
- Comprensione dell'ingestione dei dati
- Acquisire familiarità con lo sviluppo dell'algoritmo
- Acquisire familiarità con lo sviluppo e l'implementazione del modello
- Comprendere il monitoraggio continuo
Preparazione prevista
Eventi di apprendimento da completare prima
Obbligatorio per gli studenti
Facoltativo per gli studenti
- Preparazione e gestione dei dati: Prima di immergersi in MLOps, è utile comprendere le fasi iniziali del processo di apprendimento automatico, in particolare la raccolta dei dati, la pulizia e la preelaborazione.
- Formazione e convalida del modello: Una comprensione di come i modelli sono addestrati, convalidati e valutati fornirà una solida base per comprendere gli aspetti operativi del ML.
- Sintonizzazione dell'iperparametro: Anche se non sempre coperto in profondità nei corsi MLOps, la comprensione della sintonizzazione iperparametrica può essere utile in quanto è un passo cruciale nell'ottimizzazione del modello.
- Strumenti e piattaforme MLOps: La familiarità con strumenti come Kubeflow, Azure ML e altri possono dare agli studenti un vantaggio.
- Pratiche di documentazione nel ML: Una corretta documentazione è essenziale in MLOps per la riproducibilità e la collaborazione. Comprendere le migliori pratiche nella documentazione ML può essere vantaggioso.
- Croccante-DM, CRISP-ML, ML Tela: Si tratta di metodologie e framework per la gestione dei progetti ML. Avere una comprensione di base può essere utile per il lato operativo dei progetti di ML.
Referenze e background per gli studenti
Consigliato per gli insegnanti
- N/A
Materiale didattico
Istruzioni per gli insegnanti
- Questa lezione fornirà una panoramica completa/fondazione del ciclo di vita di MLOps. La lezione fornirà alcune basi e background (tra cui alcuni snippet di codice) che saranno necessari per il seguente tutorial che metterà in pratica il processo MLOps di testare un modello per scopi produttivi. In particolare, la lezione riguarderà:
- L'IA è Software 2.0 — AI pre e post-mondo
- Ciclo di vita MLOps: DataOps, Model Ops e DevOps — come si adatta tutto.
- Ecosistema in espansione
- Ciclo di vita MLOps — approccio end-to-end
- Dati, modello e codice — la spina dorsale di MLOps
- AI Software e App Stack
- Strumenti disponibili sul mercato oggi
- Comprendere i vari stack di app
- Elementi di design MLOps
- Scelte architettoniche
- Batch VS Streaming — Qual è l'approccio migliore
- Strategie di test — Come testare rigorosamente i tuoi modelli di ML
La maggior parte degli elementi di preparazione sono impostati e introduzioni agli strumenti utilizzati.
Contorno
| Durata (min) | Descrizione |
|---|---|
| 10 | L'IA è Software 2.0 |
| 15 | MLOps — su grande distribuzione e monitoraggio |
| 10 | Una panoramica dei test MLOps |
| 15 | Considerazioni di runtime, Tooling e Performance |
| 10 | Un paradigma di test MLOps completo |
Riconoscimenti
Tarry Singh. (Reale AI B.V., Assen, Paesi Bassi) https://realai.eu
Il programma Human-Centered AI Masters è stato co-finanziato dal meccanismo per collegare l'Europa dell'Unione europea nell'ambito della sovvenzione CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068.