Información administrativa
| Título | Ciclo de vida de MLOps |
| Duración | 60 |
| Módulo | B |
| Tipo de lección | Practico |
| Enfoque | Práctica — IA organizativa |
| Tema | Resumen de extremo a extremo del ciclo de vida de MLOps |
Keywords
MLOps, AI organizacional, ética, diseño,
Objetivos de aprendizaje
- Comprensión de los MLOps de extremo a extremo
- Comprensión de la ingesta de datos
- Familiarizarse con el desarrollo de algoritmos
- Familiarizarse con el desarrollo y despliegue de modelos
- Comprensión de la monitorización continua
Preparación prevista
Eventos de aprendizaje que se completarán antes
Obligatorio para los estudiantes
Opcional para estudiantes
- Preparación y gestión de datos: Antes de sumergirse en MLOps, es beneficioso comprender las fases iniciales del proceso de aprendizaje automático, especialmente la recopilación, limpieza y preprocesamiento de datos.
- Modelo de Formación y Validación: Una comprensión de cómo los modelos se entrenan, validan y evalúan proporcionará una base sólida para comprender los aspectos operativos de ML.
- Ajuste del hiperparámetro: Si bien no siempre se cubre en profundidad en los cursos de MLOps, comprender la sintonización de hiperparámetros puede ser beneficioso, ya que es un paso crucial en la optimización del modelo.
- Herramientas y plataformas MLOps: La familiaridad con herramientas como Kubeflow, Azure ML y otras pueden dar a los estudiantes una ventaja.
- Prácticas de Documentación en ML: La documentación adecuada es esencial en MLOps para la reproducibilidad y la colaboración. Comprender las mejores prácticas en la documentación de ML puede ser ventajoso.
- Crisp-DM, CRISP-ML, ML Canvas: Estas son metodologías y marcos para la gestión de proyectos de ML. Tener una comprensión básica puede ser beneficioso para el lado operativo de los proyectos de ML.
Referencias y antecedentes para estudiantes
- Se aconseja a los estudiantes que se familiaricen con las siguientes herramientas y técnicas
- JupyterNotebooks
- CUE
- Docker
- Molino de papel
- Streamlit
- Shell Scripting
Recomendado para profesores
- JupyterNotebooks
- CUE
- Docker
- Molino de papel
- Streamlit
- Shell Scripting
Material didáctico
- Consulte el paquete completo aquí RADIX-Practical-Package
Instrucciones para profesores
Introducción
Antes de enseñar el curso práctico de MLOps, es esencial que los profesores tengan una comprensión profunda de las herramientas y tecnologías mencionadas en el esquema del curso. El curso se estructura en torno a una demostración de 3 partes, cada una destacando un enfoque diferente a MLOps. Estos son los pasos para familiarizarse con estas herramientas:
1. El camino de la Shell (Manual)
Objetivo: Comprenda los conceptos básicos de configurar un entorno Python y ejecutar un portátil Jupyter.
Pasos:
Entorno de Python: Instala Python en tu sistema. Aprenda a crear un entorno virtual usando venv o conda. Practica la activación y desactivación del entorno.
Instalación del paquete: Comprender la estructura y el propósito de un archivo requirements.txt. Practique la instalación de paquetes utilizando pip install -r requirements.txt.
Jupyter Notebook: Instale Jupyter Notebook. Aprende los conceptos básicos de iniciar un servidor Jupyter. Practica la creación, ejecución y ahorro de cuadernos.
Streamlit Server: Comprender el propósito de Streamlit y cómo se puede utilizar para crear aplicaciones web. Practique el uso de artefactos generados a partir de un cuaderno Jupyter en una aplicación Streamlit.
Consideraciones: Comprender los beneficios de este enfoque, como la construcción de conocimientos fundamentales y la creación de prototipos iniciales. Sea consciente de sus limitaciones, como el desorden potencial, los desafíos en la transferencia de conocimiento y las dificultades para replicar configuraciones.
2. El Docker + Hacer (herencia) Camino
Objetivo: Comprenda los conceptos de contenedorización y automatización utilizando Docker y Make.
Pasos:
Docker: Instale Docker en su sistema. Comprender la estructura y el propósito de un Dockerfile. Practica la construcción de imágenes Docker y la ejecución de contenedores. Familiarícese con los comandos comunes de Docker.
Makefile: Comprender el propósito de un Makefile en la automatización de tareas. Aprenda la sintaxis básica de un Makefile. Practique la escritura y ejecución de comandos simples Make.
Consideraciones: Comprender los beneficios de este enfoque, como la reproducibilidad. Reconozca sus limitaciones, como la necesidad de replicación a través de proyectos, el cambio de contexto y su enfoque en imágenes sobre artefactos.
3. El camino del Radix (Composicional)
Objetivo: Sumérgete en prácticas avanzadas de MLOps utilizando flujos de trabajo compositivos.
Pasos:
Molino de papel: Comprender el propósito de Papermill en la parametrización y ejecución de cuadernos Jupyter. Practica la creación y ejecución de cuadernos con Papermill. Explore los paquetes disponibles o considere crear uno simple.
Streamlit (Avanzado): Sumérgete más en funcionalidades avanzadas de Streamlit. Explore los paquetes disponibles o considere crear uno simple.
Creación de flujo de trabajo: Comprender el concepto de flujos de trabajo compositivos en MLOps. Practique la creación de flujos de trabajo que utilicen los paquetes Papermill y Streamlit.
Consideraciones: Comprenda los beneficios de este enfoque, como la reproducibilidad, la fácil parametrización, la validación y la composibilidad. Sea consciente de sus limitaciones, como estar en el borde sangrante y posibles lagunas en la documentación.
Conclusión
Siguiendo estos pasos, los maestros estarán bien equipados para impartir el curso práctico de MLOps de manera efectiva. Es crucial no solo entender los aspectos técnicos, sino también las razones subyacentes para elegir cada enfoque. Esto permitirá a los maestros proporcionar a los estudiantes una comprensión integral de las prácticas de MLOps.
Esquema
| Duración (Min) | Descripción |
|---|---|
| 30 | La forma manual — Shell Scripting |
| 30 | La forma Docker + Make (herencia) |
| 30 | La forma Radix (compositiva) |
| 30 | Consideraciones de tiempo de ejecución, herramientas y rendimiento |
| 10 | Resumir y evaluar los resultados |
Reconocimientos
Tarry Singh. (Real AI B.V., Assen, Países Bajos) https://realai.eu
El programa de maestría en IA centrada en el ser humano fue cofinanciado por el Mecanismo «Conectar Europa» de la Unión Europea en virtud de la subvención «CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068».