Administratieve informatie
| Titel | MLOps-levenscyclus |
| Looptijd | 60 |
| Module | B |
| Type les | Lezing |
| Focus | Praktisch — Organisatie-AI |
| Onderwerp | End-to-end overzicht van de levenscyclus van MLOps |
Sleutelwoorden
MLOps, Organizational AI, Ethisch, Ontwerp,
Leerdoelen
- Begrijpen van MLOps end-to-end
- Inzicht in data-inname
- Kennismaken met algoritmeontwikkeling
- Kennismaken met modelontwikkeling en implementatie
- Inzicht in continue monitoring
Verwachte voorbereiding
Leren van gebeurtenissen die moeten worden voltooid voordat
Verplicht voor studenten
Optioneel voor studenten
- Gegevensvoorbereiding en -beheer: Voordat u in MLOps duikt, is het nuttig om de beginfasen van het machine learning-proces te begrijpen, met name gegevensverzameling, reiniging en voorbewerking
- Modeltraining en validatie: Een greep van hoe modellen worden getraind, gevalideerd en geëvalueerd, zal een solide basis bieden voor het begrijpen van de operationele aspecten van ML.
- Hyperparameter Tuning: Hoewel het niet altijd diepgaand wordt behandeld in MLOps-cursussen, kan het begrijpen van hyperparametertuning nuttig zijn omdat het een cruciale stap is in modeloptimalisatie.
- MLOps Tools en Platforms: Vertrouwdheid met tools zoals Kubeflow, Azure ML en anderen kunnen studenten een voorsprong geven.
- Documentatiepraktijken in ML: Goede documentatie is essentieel in MLOps voor reproduceerbaarheid en samenwerking. Het begrijpen van best practices in ML-documentatie kan voordelig zijn.
- Sharp-DM, CRISP-ML, ML Canvas: Dit zijn methodologieën en frameworks voor ML projectmanagement. Het hebben van een basiskennis kan gunstig zijn voor de operationele kant van ML-projecten.
Referenties en achtergronden voor studenten
Aanbevolen voor docenten
- N.V.T.
Lesmateriaal
Instructies voor docenten
- Deze lezing geeft een compleet overzicht/grondslag van de levenscyclus van MLOps. De lezing biedt enkele fundamenten en achtergronden (waaronder enkele codefragmenten) die nodig zijn voor de volgende tutorial die het MLOps-proces van het testen van een model voor productiedoeleinden in de praktijk zal brengen. De lezing zal specifiek betrekking hebben op:
- AI is Software 2.0 — Pre en post-World AI
- MLOps-levenscyclus: DataOps, Model Ops en DevOps — hoe past het allemaal in.
- Uitbreiding van het ecosysteem
- Levenscyclus van MLOps — end-to-end aanpak
- Data, Model en Code — de ruggengraat van MLOps
- AI Software en App Stack
- Beschikbare tools op de markt vandaag
- Inzicht in verschillende App stacks
- MLOps ontwerpelementen
- Architectonische keuzes
- Batch VS Streaming — Wat is de beste aanpak
- Teststrategieën — Hoe u uw ML-modellen grondig kunt testen
De meeste voorbereidingsitems zijn opgezet en introducties tot de gebruikte gereedschappen.
Omtrek
| Duur (Min) | Omschrijving |
|---|---|
| 10 | AI is software 2.0 |
| 15 | MLOps — over geweldige implementatie en monitoring |
| 10 | Een overzicht van MLOps testen |
| 15 | Runtime-, tooling- en prestatieoverwegingen |
| 10 | Een complete MLOps testen Paradigm |
Erkenningen
Teer Singh. (Real AI B.V., Assen, Nederland) https://realai.eu
Het Human-Centered AI Masters-programma werd mede gefinancierd door de Connecting Europe Facility van de Europese Unie in het kader van de subsidie CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068.