Upravne informacije
| Naslov | MLOps življenjski cikel |
| Trajanje | 60 |
| Modul | B |
| Vrsta lekcije | Predavanje |
| Osredotočenost | Praktična – organizacijska umetna inteligenca |
| Tema | Pregled življenjskega cikla MLOps od konca do konca |
Ključne besede
MLOps, organska umetna inteligenca, etična, oblikovanje,
Učni cilji
- Razumevanje MLOps od konca do konca
- Razumevanje zaužitja podatkov
- Spoznavanje razvoja algoritma
- Seznanjanje z razvojem in uvajanjem modela
- Razumevanje stalnega spremljanja
Pričakovana priprava
Učenje Dogodki, ki jih je treba dokončati pred
Obvezno za študente
Neobvezno za študente
- Priprava in upravljanje podatkov: Pred potapljanjem v MLOps je koristno razumeti začetne faze procesa strojnega učenja, zlasti zbiranje podatkov, čiščenje in predobdelavo.
- Model usposabljanja in potrjevanja: Razumevanje, kako se modeli usposobijo, validirajo in vrednotijo, bo zagotovilo trdne temelje za razumevanje operativnih vidikov ML.
- Hiperparameter Tuning: Čeprav v tečajih MLOps ni vedno pokrita globina, je razumevanje hiperparametrskega tuninga lahko koristno, saj je ključni korak pri optimizaciji modela.
- Orodja in platforme MLOps: Poznavanje orodij, kot so Kubeflow, Azure ML in drugi, lahko študentom dajo prednost.
- Dokumentacijske prakse v ML: Ustrezna dokumentacija je v MLOps bistvena za ponovljivost in sodelovanje. Razumevanje najboljših praks v dokumentaciji ML je lahko koristno.
- Hrustljavo-DM, CRISP-ML, ML Canvas: To so metodologije in okviri za upravljanje projektov ML. Osnovno razumevanje je lahko koristno za operativno stran projektov ML.
Reference in ozadje za študente
Priporočeno za učitelje
- NI RELEVANTNO
Gradivo za učne ure
Navodila za učitelje
- To predavanje bo zagotovilo popoln pregled/ustanovitev življenjskega cikla MLOps. Predavanje bo zagotovilo nekaj temeljev in ozadja (vključno z nekaterimi kodnimi odrezki), ki bodo potrebni za naslednje vadnice, ki bodo v praksi uvedle postopek preizkušanja modela za proizvodne namene. Predavanje bo posebej zajemalo:
- Umetna inteligenca je programska oprema 2.0 – pred in po svetu umetna inteligenca
- Življenjski cikel MLOps: DataOps, Model Ops in DevOps – kako vse to ustreza?
- Širitev ekosistema
- Življenjski cikel MLOps – pristop od konca do konca
- Podatki, model in koda – hrbtenica MLOps
- AI Programska oprema in App Stack
- Orodja, ki so na voljo na trgu danes
- Razumevanje različnih sklopov aplikacij
- MLOps Design Elementi
- Arhitekturne izbire
- Serija VS Streaming – Kaj je najboljši pristop
- Strategije testiranja – kako natančno preskusiti svoje ML modele
Večina pripravljalnih predmetov je nastavljena in uvod v uporabljena orodja.
Obris
| Trajanje (mini) | Opis |
|---|---|
| 10 | AI je programska oprema 2.0 |
| 15 | MLOps – o odlični uporabi in spremljanju |
| 10 | Pregled testiranja MLOps |
| 15 | Vprašanja v zvezi s časom izvajanja, orodjem in učinkovitostjo |
| 10 | Popolno testiranje MLOps Paradigm |
Priznanja
Tarry Singh. (Real AI B.V., Assen, Nizozemska) https://realai.eu
Program Masters umetne inteligence, ki je bil vključen v človeka, je bil sofinanciran z instrumentom za povezovanje Evrope Evropske unije v okviru nepovratnih sredstev (CEF-TC-2020–1 Digital Skills 2020-EU-IA-0068).