Informacje administracyjne
| Tytuł | Cykl życia MLOps |
| Czas trwania | 60 |
| Moduł | B |
| Rodzaj lekcji | Wykład |
| Skupienie | Praktyczna – organizacyjna sztuczna inteligencja |
| Temat | Kompleksowy przegląd cyklu życia MLOps |
Słowa kluczowe
MLOps, Organizational AI, Etyczne, Projektowanie,
Cele w zakresie uczenia się
- Zrozumienie MLOPS end-to-end
- Zrozumienie Ingestion danych
- Zapoznanie się z rozwojem algorytmu
- Zapoznanie się z rozwojem i wdrażaniem modelu
- Zrozumienie ciągłego monitorowania
Oczekiwane przygotowanie
Wydarzenia edukacyjne, które należy ukończyć przed
Obowiązkowe dla studentów
Opcjonalne dla studentów
- Przygotowanie i zarządzanie danymi: Przed nurkowaniem w MLOPS korzystne jest zrozumienie początkowych faz procesu uczenia maszynowego, w szczególności gromadzenia danych, czyszczenia i wstępnego przetwarzania
- Model szkolenia i walidacji: Zrozumienie, w jaki sposób modele są trenowane, zatwierdzane i oceniane, zapewni solidne podstawy do zrozumienia operacyjnych aspektów ML.
- Strojenie hiperparametrów: Chociaż nie zawsze dogłębnie uwzględniane w kursach MLOps, zrozumienie strojenia hiperparametru może być korzystne, ponieważ jest to kluczowy krok w optymalizacji modelu.
- Narzędzia i platformy MLOps: Znajomość narzędzi takich jak Kubeflow, Azure ML i innych może dać uczniom przewagę.
- Praktyki dokumentacyjne w ML: Właściwa dokumentacja jest niezbędna w MLOps dla odtwarzalności i współpracy. Zrozumienie najlepszych praktyk w dokumentacji ML może być korzystne.
- Crisp-DM, CRISP-ML, ML Canvas: Są to metody i ramy zarządzania projektami ML. Posiadanie podstawowego zrozumienia może być korzystne dla strony operacyjnej projektów ML.
Referencje i tło dla studentów
Zalecane dla nauczycieli
- NIE DOTYCZY
Materiały do lekcji
Instrukcje dla nauczycieli
- Wykład ten zapewni pełny przegląd/podstawę cyklu życia MLOps. Wykład dostarczy podstawy i tło (w tym niektóre fragmenty kodu), które będą wymagane do następnego kursu, który wprowadzi w życie proces MLOps testowania modelu do celów produkcyjnych. W szczególności wykład obejmie:
- AI to oprogramowanie 2.0 – Pre i Post-World AI
- Cykl życia MLOps: DataOps, Model Ops i DevOps – jak to wszystko pasuje?
- Rozwój ekosystemu
- Cykl życia MLOps – podejście kompleksowe
- Dane, model i kod – kręgosłup MLOps
- AI Software i App Stack
- Dostępne narzędzia na rynku już dziś
- Zrozumienie różnych stosów aplikacji
- Elementy projektowe MLOps
- Wybory architektoniczne
- Batch VS Streaming – Jakie jest najlepsze podejście
- Strategie testowania – jak rygorystycznie przetestować swoje modele ML
Większość elementów przygotowywanych jest konfigurowana i wprowadzana do używanych narzędzi.
Zarys
| Czas trwania (min) | Opis |
|---|---|
| 10 | AI to oprogramowanie 2.0 |
| 15 | MLOPS – o wielkim rozmieszczeniu i monitorowaniu |
| 10 | Przegląd testów MLOps |
| 15 | Rozważania dotyczące czasu pracy, narzędzi i wydajności |
| 10 | Kompletny MLOps testujący paradygmat |
Potwierdzenia
Tarry Singh. (Prawdziwa AI B.V., Assen, Niderlandy) https://realai.eu
Program Masters zorientowany na człowieka został współfinansowany przez instrument „Łącząc Europę” Unii Europejskiej w ramach grantu CEF-TC-2020-1 Umiejętności cyfrowe 2020-EU-IA-0068.