Verwaltungsinformationen
| Titel | MLOps-Lebenszyklus |
| Dauer | 60 |
| Modulen | B |
| Unterrichtstyp | Praktisch |
| Fokussierung | Praktisch – Organisationelle KI |
| Themenbereich | End-to-End-Überblick über den MLOps-Lebenszyklus |
Suchbegriffe
MLOps, Organizational AI, ethisch, Design,
Lernziele
- MLOps Ende-zu-Ende verstehen
- Datenaufnahme verstehen
- Sich mit Algorithm Development vertraut machen
- Sich mit Modellentwicklung und -bereitstellung vertraut machen
- Kontinuierliche Überwachung verstehen
Erwartete Vorbereitung
Lernveranstaltungen, die vorab abgeschlossen werden müssen
Obligatorisch für Studenten
Optional für Studenten
- Datenaufbereitung und -management: Bevor Sie in MLOps eintauchen, ist es von Vorteil, die ersten Phasen des maschinellen Lernprozesses zu verstehen, insbesondere die Datenerfassung, Reinigung und Vorverarbeitung.
- Modelltraining und Validierung: Ein Verständnis dafür, wie Modelle geschult, validiert und evaluiert werden, wird eine solide Grundlage für das Verständnis der operativen Aspekte von ML sein.
- Hyperparameter-Tuning: Obwohl nicht immer ausführlich in MLOps-Kursen behandelt, kann das Verständnis von Hyperparameter-Tuning von Vorteil sein, da es ein entscheidender Schritt in der Modelloptimierung ist.
- MLOps Tools und Plattformen: Die Vertrautheit mit Tools wie Kubeflow, Azure ML und anderen kann den Schülern einen Vorsprung geben.
- Dokumentationspraxis in ML: Eine ordnungsgemäße Dokumentation ist in MLOps für Reproduzierbarkeit und Zusammenarbeit unerlässlich. Das Verständnis von Best Practices in der ML-Dokumentation kann von Vorteil sein.
- Crisp-DM, CRISP-ML, ML Canvas: Dies sind Methoden und Frameworks für das ML-Projektmanagement. Ein grundlegendes Verständnis kann für die operative Seite von ML-Projekten von Vorteil sein.
Referenzen und Hintergründe für Studierende
- Den Schülern wird empfohlen, sich mit den folgenden Werkzeugen und Techniken vertraut zu machen
- JupyterNotebooks
- QUEUE
- Docker
- Papiermühle
- Streamlit
- Shell-Skriptierung
Empfohlen für Lehrer
- JupyterNotebooks
- QUEUE
- Docker
- Papiermühle
- Streamlit
- Shell-Skriptierung
Unterrichtsmaterialien
- Bitte beachten Sie das vollständige Paket hier RADIX-Practical-Package
Anleitung für Lehrer
Einführung
Vor dem Unterrichten des praktischen MLOps-Kurses ist es wichtig, dass Lehrer ein tiefes Verständnis der in der Kursskizze genannten Werkzeuge und Technologien haben. Der Kurs ist um eine 3-teilige Demo strukturiert, die jeweils einen anderen Ansatz für MLOps hervorhebt. Hier sind die Schritte, um sich mit diesen Tools vertraut zu machen:
1. The Shell (Manueller) Weg
Ziel: Verstehen Sie die Grundlagen der Einrichtung einer Python-Umgebung und der Ausführung eines Jupyter-Notizbuchs.
Schritte:
Python Umgebung: Installieren Sie Python auf Ihrem System. Erfahren Sie, wie Sie eine virtuelle Umgebung mit venv oder conda erstellen. Üben Sie das Aktivieren und Deaktivieren der Umwelt.
Installation des Pakets: Verstehen Sie die Struktur und den Zweck einer Requirements.txt-Datei. Üben Sie die Installation von Paketen mit pip install -r requirements.txt.
Jupyter Notizbuch: Installieren Sie Jupyter Notebook. Lernen Sie die Grundlagen zum Starten eines Jupyter-Servers kennen. Üben Sie das Erstellen, Ausführen und Speichern von Notizbüchern.
Streamlit Server: Verstehen Sie den Zweck von Streamlit und wie es verwendet werden kann, um Webanwendungen zu erstellen. Üben Sie die Verwendung von Artefakten, die aus einem Jupyter-Notizbuch in einer Streamlit-Anwendung generiert wurden.
Erwägungen: Verstehen Sie die Vorteile dieses Ansatzes, wie den Aufbau von grundlegendem Wissen und das erste Prototyping. Seien Sie sich dessen Grenzen bewusst, wie die potenzielle Unordnung, Herausforderungen beim Wissenstransfer und Schwierigkeiten bei der Replizierung von Setups.
2. The Docker + Make (Erben) Weg
Ziel: Erfassen Sie die Konzepte der Containerisierung und Automatisierung mit Docker and Make.
Schritte:
Docker: Installieren Sie Docker auf Ihrem System. Verstehen Sie die Struktur und den Zweck einer Dockerdatei. Üben Sie das Erstellen von Docker-Bildern und das Ausführen von Containern. Machen Sie sich mit den gängigen Docker-Befehlen vertraut.
Makefile: Verstehen Sie den Zweck einer Makefile bei der Automatisierung von Aufgaben. Lernen Sie die grundlegende Syntax einer Makefile. Üben Sie das Schreiben und Ausführen von einfachen Make-Befehlen.
Erwägungen: Verstehen Sie die Vorteile dieses Ansatzes, wie Reproduzierbarkeit. Erkennen Sie seine Grenzen, wie die Notwendigkeit der Replikation über Projekte hinweg, Kontextwechsel und seinen Fokus auf Bilder über Artefakte.
3. Der Radix-Weg (kompositionell)
Ziel: Tauchen Sie ein in fortgeschrittene MLOps-Praktiken mit kompositorischen Workflows.
Schritte:
Papiermühle: Verstehen Sie den Zweck von Papermill bei der Parametrierung und Ausführung von Jupyter-Notizbüchern. Üben Sie das Erstellen und Ausführen von Notizbüchern mit Papermill. Erkunden Sie verfügbare Pakete oder erwägen Sie, ein einfaches zu erstellen.
Streamlit (erweitert): Tauchen Sie tiefer in fortgeschrittene Streamlit-Funktionalitäten ein. Erkunden Sie verfügbare Pakete oder erwägen Sie, ein einfaches zu erstellen.
Workflow-Erstellung: Verstehen Sie das Konzept der kompositorischen Workflows in MLOps. Üben Sie die Erstellung von Workflows, die die Pakete Papermill und Streamlit verwenden.
Erwägungen: Verstehen Sie die Vorteile dieses Ansatzes, wie Reproduzierbarkeit, einfache Parametrierung, Validierung und Komponierbarkeit. Seien Sie sich dessen Grenzen bewusst, wie z. B. auf der blutenden Kante und potenzielle Lücken in der Dokumentation.
Schlußfolgerung
Durch das Befolgen dieser Schritte sind die Lehrer gut ausgestattet, um den praktischen MLOps-Kurs effektiv durchzuführen. Es ist wichtig, nicht nur die technischen Aspekte zu verstehen, sondern auch die zugrunde liegenden Gründe für die Wahl jedes Ansatzes. Dies wird es Lehrern ermöglichen, den Schülern ein umfassendes Verständnis der MLOps-Praktiken zu vermitteln.
Gliederung
| Dauer (Min.) | Beschreibung |
|---|---|
| 30 | Der manuelle Weg – Shell Scripting |
| 30 | Der Docker + Make (Erben) Weg |
| 30 | Die Radix (kompositionelle) Weise |
| 30 | Laufzeit-, Tooling- und Performance-Überlegungen |
| 10 | Ergebnisse zusammenfassen und bewerten |
Danksagung
Tarry Singh. (Real AI B.V., Assen, Niederlande) https://realai.eu
Das Human-Centered AI Masters-Programm wurde von der Fazilität „Connecting Europe“ der Europäischen Union im Rahmen des Zuschusses „CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068“ kofinanziert.