Διοικητικές πληροφορίες
| Τίτλος | Κύκλος ζωής MLOps |
| Διάρκεια | 60 |
| Ενότητα | Β |
| Είδος μαθήματος | Πρακτική |
| Εστίαση | Πρακτική — Οργανωτική ΤΝ |
| Θέμα | Διατερματική επισκόπηση του κύκλου ζωής των MLOps |
Λέξεις-κλειδιά
MLOps, οργανωτικό AI, ηθικό, σχέδιο,
Μαθησιακοί στόχοι
- Κατανόηση των MLOps από άκρο σε άκρο
- Κατανόηση της πρόσληψης δεδομένων
- Εξοικείωση με την ανάπτυξη αλγορίθμων
- Εξοικείωση με την ανάπτυξη μοντέλων και την ανάπτυξη
- Κατανόηση της συνεχούς παρακολούθησης
Αναμενόμενη προετοιμασία
Μαθησιακές εκδηλώσεις που πρέπει να ολοκληρωθούν πριν
Υποχρεωτικό για τους φοιτητές
Προαιρετικό για Φοιτητές
- Προετοιμασία και Διαχείριση Δεδομένων: Πριν από την κατάδυση στο MLOps, είναι ωφέλιμο να κατανοήσουμε τις αρχικές φάσεις της διαδικασίας μηχανικής μάθησης, ειδικά τη συλλογή δεδομένων, τον καθαρισμό και την προεπεξεργασία.
- Πρότυπη Εκπαίδευση και Επικύρωση: Η κατανόηση του τρόπου με τον οποίο τα μοντέλα εκπαιδεύονται, επικυρώνονται και αξιολογούνται θα παρέχει μια σταθερή βάση για την κατανόηση των επιχειρησιακών πτυχών του ML.
- Υπερπαράμετρος Συντονισμός: Αν και δεν καλύπτεται πάντα σε βάθος στα μαθήματα MLOps, η κατανόηση του συντονισμού υπερπαραμέτρου μπορεί να είναι επωφελής, καθώς είναι ένα κρίσιμο βήμα στη βελτιστοποίηση μοντέλων.
- Εργαλεία και πλατφόρμες MLOps: Η εξοικείωση με εργαλεία όπως το Kubeflow, το Azure ML και άλλα μπορούν να δώσουν στους μαθητές ένα προβάδισμα.
- Πρακτικές τεκμηρίωσης στο ML: Η κατάλληλη τεκμηρίωση είναι απαραίτητη στα MLOps για την αναπαραγωγιμότητα και τη συνεργασία. Η κατανόηση των βέλτιστων πρακτικών στην τεκμηρίωση ML μπορεί να είναι επωφελής.
- Crisp-DM, CRISP-ML, ML καμβάς: Αυτές είναι μεθοδολογίες και πλαίσια για τη διαχείριση έργων ML. Η ύπαρξη μιας βασικής κατανόησης μπορεί να είναι επωφελής για την επιχειρησιακή πλευρά των έργων ML.
Αναφορές και υπόβαθρο για τους μαθητές
- Συνιστάται στους μαθητές να εξοικειωθούν με τα ακόλουθα εργαλεία και τεχνικές
- JupyterNotebooks
- ΣΉΚΩΜΑ
- Ντόκερ
- Χαρτομύλος
- Ρευματοδότης
- Κέλυφος σεναρίου
Συνιστάται για εκπαιδευτικούς
- JupyterNotebooks
- ΣΉΚΩΜΑ
- Ντόκερ
- Χαρτομύλος
- Ρευματοδότης
- Κέλυφος σεναρίου
Υλικό μαθήματος
- Παρακαλώ ανατρέξτε στην πλήρη συσκευασία εδώ RADIX-Practical-Package
Οδηγίες για τους εκπαιδευτικούς
Εισαγωγή
Πριν από τη διδασκαλία του πρακτικού μαθήματος MLOps, είναι σημαντικό για τους εκπαιδευτικούς να έχουν μια βαθιά κατανόηση των εργαλείων και των τεχνολογιών που αναφέρονται στο περίγραμμα του μαθήματος. Το μάθημα είναι δομημένο γύρω από ένα demo 3 μερών, το καθένα από τα οποία αναδεικνύει μια διαφορετική προσέγγιση στο MLOps. Εδώ είναι τα βήματα για να εξοικειωθείτε με αυτά τα εργαλεία:
1. The Shell (χειροκίνητος) τρόπος
Στόχος: Κατανοήστε τα βασικά για τη δημιουργία ενός περιβάλλοντος Python και την εκτέλεση ενός σημειωματαρίου Jupyter.
Στάδια:
Περιβάλλον Python: Εγκαταστήστε την Python στο σύστημά σας. Μάθετε πώς να δημιουργήσετε ένα εικονικό περιβάλλον χρησιμοποιώντας venv ή conda. Πρακτική ενεργοποίηση και απενεργοποίηση του περιβάλλοντος.
Εγκατάσταση συσκευασίας: Κατανοήστε τη δομή και το σκοπό ενός αρχείου requirements.txt. Πρακτική εγκατάσταση πακέτων χρησιμοποιώντας εγκατάσταση pip -r requirements.txt.
Σημειωματάριο Jupyter: Εγκαταστήστε το Notebook του Jupyter. Μάθετε τα βασικά για την έναρξη ενός διακομιστή Jupyter. Εξασκηθείτε στη δημιουργία, εκτέλεση και αποθήκευση σημειωματαρίων.
Streamlit Server: Κατανοήστε τον σκοπό του Streamlit και πώς μπορεί να χρησιμοποιηθεί για τη δημιουργία εφαρμογών ιστού. Πρακτική χρησιμοποιώντας αντικείμενα που παράγονται από ένα σημειωματάριο Jupyter σε μια εφαρμογή Streamlit.
Παρατηρήσεις: Κατανοήστε τα οφέλη αυτής της προσέγγισης, όπως η οικοδόμηση θεμελιακής γνώσης και η αρχική διαμόρφωση πρωτοτύπων. Να είστε ενήμεροι για τους περιορισμούς της, όπως η πιθανή ακαταστασία, οι προκλήσεις στη μεταφορά γνώσης και οι δυσκολίες στην αναπαραγωγή ρυθμίσεων.
2. The Docker + Make (κληρονομία)
Στόχος: Κατανοήστε τις έννοιες της εμπορευματοποίησης και της αυτοματοποίησης χρησιμοποιώντας Docker και Make.
Στάδια:
Docker: Εγκαταστήστε το Docker στο σύστημά σας. Κατανοήστε τη δομή και το σκοπό ενός Dockerfile. Πρακτική χτίζοντας εικόνες Docker και τρεχούμενα εμπορευματοκιβώτια. Εξοικειωθείτε με τις κοινές εντολές Docker.
Makefile: Κατανοήστε το σκοπό ενός Makefile στην αυτοματοποίηση εργασιών. Μάθετε τη βασική σύνταξη ενός Makefile. Εξασκηθείτε στο γράψιμο και την εκτέλεση απλών εντολών.
Παρατηρήσεις: Κατανοήστε τα οφέλη αυτής της προσέγγισης, όπως η αναπαραγωγιμότητα. Αναγνωρίστε τους περιορισμούς της, όπως η ανάγκη για αναπαραγωγή σε όλα τα έργα, η αλλαγή πλαισίου και η εστίασή της στις εικόνες πάνω από τα αντικείμενα.
3. Ο Radix (Συνθετικός) Τρόπος
Στόχος: Βουτήξτε σε προηγμένες πρακτικές MLOps χρησιμοποιώντας ροές εργασίας σύνθεσης.
Στάδια:
Χαρτομύλος: Κατανοήστε το σκοπό του Papermill στην παραμετροποίηση και την εκτέλεση των σημειωματαρίων Jupyter. Εξασκηθείτε στη δημιουργία και εκτέλεση σημειωματάριων με χαρτόνι. Εξερευνήστε τα διαθέσιμα πακέτα ή σκεφτείτε να δημιουργήσετε ένα απλό.
Streamlit (Advanced): Βυθιστείτε βαθύτερα σε προηγμένες λειτουργίες Streamlit. Εξερευνήστε τα διαθέσιμα πακέτα ή σκεφτείτε να δημιουργήσετε ένα απλό.
Δημιουργία ροής εργασίας: Κατανοήστε την έννοια των ροών εργασίας σύνθεσης στο MLOps. Εξασκηθείτε στη δημιουργία ροών εργασίας που χρησιμοποιούν τα πακέτα Papermill και Streamlit.
Παρατηρήσεις: Κατανοήστε τα οφέλη αυτής της προσέγγισης, όπως η αναπαραγωγιμότητα, η εύκολη παραμετροποίηση, η επικύρωση και η δυνατότητα σύνθεσης. Να είστε ενήμεροι για τους περιορισμούς του, όπως το να είστε στην άκρη της αιμορραγίας και πιθανά κενά στην τεκμηρίωση.
Συμπέρασμα
Ακολουθώντας αυτά τα βήματα, οι εκπαιδευτικοί θα είναι καλά εξοπλισμένοι για να παραδώσουν αποτελεσματικά το πρακτικό μάθημα MLOps. Είναι σημαντικό όχι μόνο να κατανοήσουμε τις τεχνικές πτυχές, αλλά και τους λόγους για τους οποίους επιλέγουμε κάθε προσέγγιση. Αυτό θα επιτρέψει στους εκπαιδευτικούς να παρέχουν στους μαθητές μια ολοκληρωμένη κατανόηση των πρακτικών MLOps.
Σχεδιάγραμμα
| Διάρκεια (ελάχιστη) | Περιγραφή |
|---|---|
| 30 | Ο Εγχειρίδιος Δρόμος — Shell Scripting |
| 30 | Το Docker + Make (κληρονομία) τρόπος |
| 30 | Radix (Συνθετικός) τρόπος |
| 30 | Χρόνος εκτέλεσης, εργαλεία και παράμετροι απόδοσης |
| 10 | Συνοψίστε και αξιολογήστε τα αποτελέσματα |
Αναγνωρίσεις
Τάρυ Σινγκ. (Real AI B.V., Assen, Κάτω Χώρες) https://realai.eu
Το πρόγραμμα Μάστερ τεχνητής νοημοσύνης με επίκεντρο τον άνθρωπο συγχρηματοδοτήθηκε από τον μηχανισμό «Συνδέοντας την Ευρώπη» της Ευρωπαϊκής Ένωσης στο πλαίσιο της επιχορήγησης CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068.