Administrative oplysninger
| Titel | MLOps livscyklus |
| Varighed | 60 |
| Modul | B |
| Lektionstype | Praktisk |
| Fokus | Praktisk — Organisationel kunstig intelligens |
| Emne | End-to-end oversigt over MLOps livscyklus |
Nøgleord
MLOps, Organisatorisk AI, Etisk,Design,
Læringsmål
- Forståelse af MLOps end-to-end
- Forståelse af dataindtagelse
- At blive fortrolig med Algorithm Development
- Kendskab til modeludvikling og implementering
- Forståelse af løbende overvågning
Forventet forberedelse
Læringsbegivenheder, der skal fuldføres før
Obligatorisk for studerende
Valgfrit for studerende
- Forberedelse og forvaltning af data: Før du dykker ind i MLOps, er det gavnligt at forstå de indledende faser af maskinindlæringsprocessen, især dataindsamling, rengøring og forbehandling
- Modeluddannelse og validering: En forståelse af, hvordan modeller trænes, valideres og evalueres, vil give et solidt grundlag for at forstå de operationelle aspekter af ML.
- Hyperparametertuning: Selvom det ikke altid er dækket i dybden i MLOps kurser, kan forståelse hyperparameter tuning være gavnlig, da det er et afgørende skridt i modeloptimering.
- MLOps værktøjer og platforme: Kendskab til værktøjer som Kubeflow, Azure ML og andre kan give eleverne et forspring.
- Dokumentationspraksis i ML: Korrekt dokumentation er afgørende i MLOps for reproducerbarhed og samarbejde. Forståelse af bedste praksis i ML-dokumentation kan være en fordel.
- Sprød-DM, CRISP-ML, ML Canvas: Der er tale om metoder og rammer for ML-projektstyring. At have en grundlæggende forståelse kan være til gavn for den operationelle side af ML-projekter.
Referencer og baggrund for studerende
- Studerende rådes til at gøre sig bekendt med følgende værktøjer og teknikker
- Bøger af JupyterNotebooks
- STIKORD
- Docker
- Papirmølle
- Streamlit
- Shell scripting
Anbefalet til lærerne
- Bøger af JupyterNotebooks
- STIKORD
- Docker
- Papirmølle
- Streamlit
- Shell scripting
Undervisningsmaterialer
- Se venligst den fulde pakke her RADIX-Praktisk-Package
Instruktioner til lærerne
Introduktion
Før du underviser i det praktiske MLOps kursus, er det vigtigt for lærere at have en dyb forståelse af de værktøjer og teknologier, der er nævnt i kursusoversigten. Kurset er struktureret omkring en 3-delt demo, der hver fremhæver en anden tilgang til MLOps. Her er trinnene til at gøre dig bekendt med disse værktøjer:
1. Shell (manuelt)
Formål: Forstå det grundlæggende ved at oprette et Python-miljø og køre en Jupyter-notesbog.
Trin:
Python Miljø: Installer Python på dit system. Lær, hvordan du opretter et virtuelt miljø ved hjælp af venv eller conda. Praksis aktivering og deaktivering af miljøet.
Installation af pakke: Forstå strukturen og formålet med en requirements.txt-fil. Øv installation af pakker ved hjælp af pip install -r requirements.txt.
Jupyter Notebook: Installer Jupyter Notebook. Lær det grundlæggende i at starte en Jupyter-server. Øv dig i at oprette, køre og gemme notesbøger.
Streamlit-server: Forstå formålet med Streamlit, og hvordan det kan bruges til at oprette webapplikationer. Øv dig ved hjælp af artefakter, der er genereret fra en Jupyter-notesbog i et Streamlit-program.
Overvejelser: Forstå fordelene ved denne tilgang, såsom opbygning af grundlæggende viden og indledende prototyper. Vær opmærksom på dens begrænsninger, som den potentielle rodethed, udfordringer i forbindelse med overførsel af viden og vanskeligheder med at replikere opsætninger.
2. Docker + Make (arv) måde
Formål: Forstå begreberne containerisering og automatisering ved hjælp af Docker og Make.
Trin:
Docker: Installer Docker på dit system. Forstå strukturen og formålet med en Dockerfile. Øv at bygge Docker-billeder og køre containere. Gør dig bekendt med almindelige Docker kommandoer.
Makefile: Forstå formålet med en Makefile i automatisering af opgaver. Lær den grundlæggende syntaks for en Makefile. Øv at skrive og udføre simple Gør kommandoer.
Overvejelser: Forstå fordelene ved denne tilgang, såsom reproducerbarhed. Anerkende dens begrænsninger, såsom behovet for replikation på tværs af projekter, kontekstskift og dens fokus på billeder over artefakter.
3. Den Radix (kompositionelle) måde
Formål: Dyk ned i avancerede MLOps praksis ved hjælp af kompositionelle arbejdsgange.
Trin:
Papirmølle: Forstå formålet med Papermill i parameterisering og udførelse af Jupyter notesbøger. Øv at oprette og køre notesbøger med Papermill. Udforsk tilgængelige pakker eller overveje at oprette en simpel.
Streamlit (avanceret): Dyk dybere ned i avancerede Streamlit-funktioner. Udforsk tilgængelige pakker eller overveje at oprette en simpel.
Oprettelse af arbejdsgange: Forstå begrebet kompositionelle arbejdsgange i MLOps. Øv dig i at oprette arbejdsprocesser, der bruger pakkerne Papermill og Streamlit.
Overvejelser: Forstå fordelene ved denne tilgang, såsom reproducerbarhed, nem parameterisering, validering og komposabilitet. Vær opmærksom på dens begrænsninger, som at være på blødningskanten og potentielle huller i dokumentationen.
Konklusion
Ved at følge disse trin, vil lærerne være godt rustet til at levere det praktiske MLOps kursus effektivt. Det er vigtigt ikke kun at forstå de tekniske aspekter, men også de underliggende grunde til at vælge hver tilgang. Dette vil gøre det muligt for lærere at give eleverne en omfattende forståelse af MLOps praksis.
Omrids
| Varighed (min.) | Beskrivelse |
|---|---|
| 30 | Den manuelle måde — Shell scripting |
| 30 | Docker + Make (arv) måde |
| 30 | Den Radix (kompositionelle) måde |
| 30 | Runtime, Tooling og Performance-overvejelser |
| 10 | Opsummering og evaluering af resultater |
Anerkendelser
Tarry Singh. (Real AI B.V., Assen, Nederlandene) https://realai.eu
Programmet Human-Centered AI Masters blev samfinansieret af Connecting Europe-faciliteten i Den Europæiske Union under tilskud CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068.