Administrativ information
| Titel | MLOps livscykel |
| Varaktighet | 60 |
| Modul | B |
| Typ av lektion | Föreläsning |
| Fokus | Praktiskt – Organisatorisk AI |
| Ämne | End-to-end översikt över MLOps livscykel |
Nyckelord
MLOps,Organizational AI, Etisk, Design,
Lärandemål
- Förstå MLOps end-to-end
- Förstå dataintag
- Bekanta dig med algoritmutveckling
- Bekanta dig med Model Development and Deployment
- Förstå kontinuerlig övervakning
Förväntad förberedelse
Lärande händelser som ska slutföras innan
Obligatoriskt för studenter
Valfritt för studenter
- Dataförberedelse och datahantering: Innan du dyker i MLOps är det fördelaktigt att förstå de inledande faserna av maskininlärningsprocessen, särskilt datainsamling, rengöring och förbehandling.
- Modellutbildning och validering: Ett grepp om hur modeller utbildas, valideras och utvärderas kommer att ge en solid grund för att förstå de operativa aspekterna av ML.
- Hyperparameterjustering: Även om det inte alltid täcks på djupet i MLOps kurser, kan förståelse av hyperparameterinställning vara fördelaktigt eftersom det är ett avgörande steg i modelloptimering.
- MLOps verktyg och plattformar: Förtrogenhet med verktyg som Kubeflow, Azure ML och andra kan ge eleverna ett försprång.
- Dokumentationspraxis i ML: Korrekt dokumentation är avgörande i MLOps för reproducerbarhet och samarbete. Att förstå bästa praxis i ML-dokumentation kan vara fördelaktigt.
- CRISP-ML, ML Canvas: Dessa är metoder och ramar för ML projektledning. Att ha en grundläggande förståelse kan vara till nytta för den operativa sidan av ML-projekt.
Referenser och bakgrund för studenter
Rekommenderas för lärare
- EJ TILLÄMPLIGT
Lektionsmaterial
Instruktioner för lärare
- Denna föreläsning kommer att ge en fullständig översikt/grund av MLOps livscykel. Föreläsningen kommer att ge några grunder och bakgrund (inklusive några kodavsnitt) som kommer att krävas för följande handledning som kommer att omsätta MLOps processen att testa en modell för produktionsändamål. Särskilt föreläsningen kommer att omfatta:
- AI is Software 2.0 – Pre and Post-World AI
- MLOps livscykel: DataOps, Model Ops och DevOps – hur passar allt in.
- Utökat ekosystem
- MLOps livscykel – end-to-end approach
- Data, modell och kod – ryggraden i MLOps
- AI Software och App Stack
- Tillgängliga verktyg på marknaden idag
- Förstå olika app stackar
- MLOps designelement
- Arkitektoniska val
- Batch VS Streaming – Vad är bästa tillvägagångssätt
- Teststrategier – Så här testar du dina ML-modeller noggrant
De flesta av beredningsobjekten är inställda och introduktioner till de verktyg som används.
Konturer
| Varaktighet (min) | Beskrivning |
|---|---|
| 10 | AI är programvara 2.0 |
| 15 | MLOps – om bra driftsättning och övervakning |
| 10 | En översikt över MLOps-testning |
| 15 | Runtime-, verktygs- och prestandaöverväganden |
| 10 | En komplett MLOps testparadigm |
Erkännanden
Tarry Singh. (Verklig AI B.V., Assen, Nederländerna) https://realai.eu
Masterprogrammet Human-Centered AI har samfinansierats av Fonden för ett sammanlänkat Europa i Europeiska unionen inom ramen för Grant CEF-TC-2020–1 Digital Skills 2020 EU-IA-0068.