Hallinnolliset tiedot
| Otsikko | MLOps elinkaari |
| Kesto | 60 |
| Moduuli | B |
| Oppitunnin tyyppi | Käytännöllinen |
| Keskittyminen | Käytännönläheinen – organisatorinen tekoäly |
| Aihe | Kokonaiskatsaus MLOpsin elinkaareen |
Avainsanoja
MLOPS, Organisaatio AI, Eettinen, Suunnittelu,
Oppimistavoitteet
- MLOpsin ymmärtäminen päästä päähän
- Tietojen nauttimisen ymmärtäminen
- Algoritmien kehittämiseen tutustuminen
- Mallin kehittämiseen ja käyttöönottoon tutustuminen
- Jatkuvan seurannan ymmärtäminen
Odotettu valmistelu
Oppimistapahtumat valmistuvat ennen
Pakollinen opiskelijoille
Valinnainen opiskelijoille
- Tietojen valmistelu ja hallinta: Ennen sukeltamista MLOpsiin on hyödyllistä ymmärtää koneoppimisprosessin alkuvaiheet, erityisesti tietojen kerääminen, puhdistaminen ja esikäsittely.
- Koulutuksen malli ja validointi: Käsitys siitä, miten malleja koulutetaan, validoidaan ja arvioidaan, tarjoaa vankan perustan ymmärtää ML:n operatiivisia näkökohtia.
- Hyperparametri Tuning: Vaikka MLOps-kursseilla ei aina käsitellä syvällisesti, hyperparametrien virityksen ymmärtäminen voi olla hyödyllistä, koska se on tärkeä askel mallin optimoinnissa.
- MLOps-työkalut ja -alustat: Perehtyneisyys työkaluihin, kuten Kubeflow, Azure ML ja muut voivat antaa opiskelijoille etumatkan.
- Dokumentointikäytännöt ML:ssä: Asianmukainen dokumentointi on tärkeää MLOpsissa toistettavuuden ja yhteistyön kannalta. ML-dokumentaation parhaiden käytäntöjen ymmärtäminen voi olla edullista.
- Crisp-DM, CRISP-ML, ML Canvas: Nämä ovat ML-projektinhallinnan menetelmiä ja kehyksiä. Perusymmärrys voi hyödyttää ML-hankkeiden operatiivista puolta.
Referenssejä ja taustaa opiskelijoille
- Opiskelijoita kehotetaan tutustumaan seuraaviin työkaluihin ja tekniikoihin
- JupyterNotebooks
- CUE
- Docker
- Paperimylly
- Streamlit
- Shell Scripting
Suositellaan opettajille
- JupyterNotebooks
- CUE
- Docker
- Paperimylly
- Streamlit
- Shell Scripting
Oppituntimateriaalit
- Katso koko paketti täältä RADIX-Practical-Package
Ohjeita opettajille
Johdanto
Ennen käytännön MLOps-kurssin opettamista on tärkeää, että opettajilla on syvä ymmärrys kurssin ääriviivassa mainituista työkaluista ja teknologioista. Kurssi rakentuu kolmiosaisen demon ympärille, joista jokainen korostaa erilaista lähestymistapaa MLOpsiin. Seuraavassa on ohjeita tutustua näihin työkaluihin:
1. Shell (manuaalinen) tapa
Tavoite: Ymmärrä Python-ympäristön perustamisen ja Jupyter-muistikirjan käytön perusteet.
Vaiheet:
Pythonin ympäristö: Asenna Python järjestelmään. Opi luomaan virtuaalinen ympäristö käyttäen venv tai conda. Aktivoi ja deaktivoi ympäristö.
Pakkausten asennus: Ymmärrä vaatimus.txt-tiedoston rakenne ja tarkoitus. Harjoittele pakettien asentamista käyttäen pip install -r requirements.txt.
Jupyter Notebook: Asenna Jupyter Notebook. Lue Jupyter-palvelimen käynnistämisen perusteet. Harjoittele muistikirjojen luomista, suorittamista ja tallentamista.
Streamlit-palvelin: Ymmärrä Streamlitin tarkoitus ja miten sitä voidaan käyttää web-sovellusten luomiseen. Käytä Jupyter-muistikirjasta luotuja esineitä Streamlit-sovelluksessa.
Huomioita: Ymmärrä tämän lähestymistavan edut, kuten perustiedon rakentaminen ja alkuvaiheen prototyypit. Ole tietoinen sen rajoituksista, kuten mahdollisesta sotkuisuudesta, haasteista tiedonsiirrossa ja vaikeuksista järjestelyjen toistamisessa.
2. The Docker + Make (perintö) tapa
Tavoite: Tutustu konttien ja automaation käsitteisiin Dockerin ja Makein avulla.
Vaiheet:
Docker: Asenna Docker järjestelmään. Ymmärrä Dockerfile-tiedoston rakenne ja tarkoitus. Harjoittele Docker-kuvien ja juoksevien konttien rakentamista. Tutustu tavallisiin Docker-komentoihin.
Makefile:Understand tarkoitus Makefile automatisointi tehtäviä. Opi Makefilein perussyntaksi. Harjoittele kirjoittamista ja suorita yksinkertaisia Käytä komentoja.
Huomioita: Ymmärrä tämän lähestymistavan hyödyt, kuten toistettavuus. Tunnista sen rajoitukset, kuten tarve replikointiin projekteissa, kontekstin vaihtaminen ja sen keskittyminen kuviin esineisiin.
3. Radix (koostumus)
Tavoite: Sukella kehittyneisiin MLOps-käytäntöihin sommittelutyönkulkujen avulla.
Vaiheet:
Paperimylly: Ymmärrä Papermillin tarkoitus Jupyter-muistikirjojen parametroinnissa ja toteuttamisessa. Harjoittele muistikirjojen luomista ja ajamista Papermillin avulla. Tutustu saatavilla oleviin paketteihin tai harkitse yksinkertaisen paketin luomista.
Streamlit (Advanced): Sukella syvemmälle kehittyneisiin Streamlit-toimintoihin. Tutustu saatavilla oleviin paketteihin tai harkitse yksinkertaisen paketin luomista.
Työnkulun luominen: Ymmärrä MLOpsin sommittelutyönkulkujen käsite. Harjoittele Papermill- ja Streamlit-paketteja hyödyntävien työnkulkujen luomista.
Huomioita: Ymmärrä tämän lähestymistavan edut, kuten toistettavuus, helppo parametrointi, validointi ja koostettavuus. Ole tietoinen sen rajoituksista, kuten verenvuotoreunasta ja mahdollisista dokumentoinnin aukoista.
Johtopäätös
Näitä vaiheita noudattamalla opettajat ovat hyvin varustettuja tarjoamaan käytännön MLOps-kurssin tehokkaasti. On tärkeää ymmärtää paitsi tekniset näkökohdat myös taustalla olevat syyt kunkin lähestymistavan valitsemiseen. Tämä antaa opettajille mahdollisuuden antaa opiskelijoille kattava käsitys MLOps-käytännöistä.
Hahmotella
| Kesto (Min) | Kuvaus |
|---|---|
| 30 | Manuaalinen tapa – Shell Scripting |
| 30 | The Docker + Make (perintö) tapa |
| 30 | Radix (koostumus) |
| 30 | Runtime-, työkalu- ja suorituskykynäkökohdat |
| 10 | Yhteenveto tuloksista ja arvioi ne |
Tunnustukset
Viipyä Singh. (Real AI B.V., Assen, Alankomaat) https://realai.eu
Human-Centered AI Masters -ohjelmaa rahoitettiin Euroopan unionin Verkkojen Eurooppa -välineestä (CEF-TC-2020–1 Digital Skills 2020-EU-IA-0068).