Informações administrativas
| Titulo | Ciclo de vida dos MLOps |
| Duração | 60 |
| Módulo | B |
| Tipo de aula | Palestra |
| Foco | Prático — Inteligência Artificial Organizacional |
| Tópico | Panorâmica de extremo a extremo do ciclo de vida dos MLOps |
Palavras-chave
MLOps, IA Organizacional, Ética, Design,
Objetivos de aprendizagem
- Compreender MLOps de ponta a ponta
- Compreender a ingestão de dados
- Familiarizar-se com o desenvolvimento de algoritmos
- Familiarizar-se com o desenvolvimento e implantação de modelos
- Compreender a monitorização contínua
Preparação prevista
Eventos de aprendizagem a serem concluídos antes
Obrigatório para os Estudantes
Facultativo para Estudantes
- Preparação e gestão de dados: Antes de mergulhar em MLOps, é benéfico compreender as fases iniciais do processo de aprendizagem automática, especialmente a recolha de dados, limpeza e pré-processamento.
- Modelo de Formação e Validação: Uma compreensão de como os modelos são treinados, validados e avaliados fornecerá uma base sólida para a compreensão dos aspetos operacionais da ML.
- Afinação do hiperparâmetro: Embora nem sempre seja abordado em profundidade em cursos de MLOps, compreender a afinação de hiperparâmetros pode ser benéfico, uma vez que é um passo crucial na otimização do modelo.
- MLOps Ferramentas e Plataformas: A familiaridade com ferramentas como o Kubeflow, o Azure ML e outras podem dar aos alunos um avanço.
- Práticas de documentação em ML: A documentação adequada é essencial em MLOps para a reprodutibilidade e a colaboração. Compreender as melhores práticas na documentação ML pode ser vantajoso.
- Nítido-DM, CRISP-ML, ML Canvas: Trata-se de metodologias e enquadramentos para a gestão de projetos de ML. Ter uma compreensão básica pode ser benéfico para o lado operacional dos projetos de ML.
Referências e antecedentes para estudantes
Recomendado para professores
- N/A
Materiais das aulas
Instruções para os professores
- Esta palestra fornecerá uma visão geral/fundamentação completa do ciclo de vida dos MLOps. A palestra fornecerá algumas fundações e antecedentes (incluindo alguns snippets de código) que serão necessários para o seguinte tutorial que colocará em prática o processo MLOps de testar um modelo para fins de produção. Especificamente, a palestra abrangerá:
- IA é Software 2.0 — Pré e Pós-World AI
- Ciclo de vida dos MLOps: DataOps, Model Ops e DevOps — como tudo se encaixa.
- Ecossistema em expansão
- Ciclo de vida MLOps — abordagem de extremo a extremo
- Dados, Modelo e Código — a espinha dorsal dos MLOps
- Software e App Stack
- Ferramentas disponíveis no mercado hoje
- Compreender várias pilhas de aplicações
- Elementos de conceção de MLOps
- Escolhas Arquitetónicas
- Lote VS Streaming — Qual é a melhor abordagem
- Estratégias de teste — Como testar rigorosamente seus modelos ML
A maioria dos itens de preparação são configurados e introduções às ferramentas utilizadas.
Esboço
| Duração (Min) | Descrição |
|---|---|
| 10 | A IA é o software 2.0 |
| 15 | MLOps — sobre a grande implantação e monitorização |
| 10 | Uma visão geral dos testes MLOps |
| 15 | Tempo de execução, Ferramentas e considerações de desempenho |
| 10 | Um Paradigma Completo de Teste de MLOps |
Agradecimentos
Tarry Singh. (Real AI B.V., Assen, Países Baixos) https://realai.eu
O programa de mestrado em IA centrado no ser humano foi cofinanciado pelo Mecanismo Interligar a Europa da União Europeia ao abrigo de subvenções CEF-TC-2020-1 Competências Digitais 2020-EU-IA-0068.