Informations administratives
| Titre | Cycle de vie des MLOps |
| Durée | 60 |
| Module | B |
| Type de leçon | Pratique |
| Focus | Pratique — IA organisationnelle |
| Sujet | Aperçu de bout en bout du cycle de vie des MLOps |
Mots-clés
MLOps, IA organisationnelle, Éthique, Conception,
Objectifs d’apprentissage
- Comprendre les MLOps de bout en bout
- Comprendre l’ingestion de données
- Se familiariser avec le développement de l’algorithme
- Se familiariser avec le développement et le déploiement de modèles
- Comprendre la surveillance continue
Préparation prévue
Événements d’apprentissage à compléter avant
Obligatoire pour les étudiants
Optionnel pour les étudiants
- Préparation et gestion des données: Avant de plonger dans MLOps, il est bénéfique de comprendre les phases initiales du processus d’apprentissage automatique, en particulier la collecte de données, le nettoyage et le prétraitement.
- Formation et validation du modèle: Une compréhension de la façon dont les modèles sont formés, validés et évalués fournira une base solide pour comprendre les aspects opérationnels de la ML.
- Réglage hyperparamètre: Bien que pas toujours couvert en profondeur dans les cours MLOps, comprendre le réglage hyperparamètre peut être bénéfique car il s’agit d’une étape cruciale dans l’optimisation du modèle.
- Outils et plateformes MLOps: La familiarité avec des outils comme Kubeflow, Azure ML et d’autres peuvent donner aux étudiants une longueur d’avance.
- Pratiques en matière de documentation en LM: Une documentation adéquate est essentielle dans MLOps pour la reproductibilité et la collaboration. Comprendre les meilleures pratiques en matière de documentation ML peut être avantageux.
- Croust-DM, CRISP-ML, ML Toile: Ce sont des méthodologies et des cadres pour la gestion de projets ML. Avoir une compréhension de base peut être bénéfique pour le côté opérationnel des projets ML.
Références et antécédents pour les étudiants
- Il est conseillé aux étudiants de se familiariser avec les outils et techniques suivants
- JupyterNotebooks
- CUE
- Docker
- Papeterie
- Streamlit
- Script de shell
Recommandé pour les enseignants
- JupyterNotebooks
- CUE
- Docker
- Papeterie
- Streamlit
- Script de shell
Matériel de leçon
- Veuillez vous référer au paquet complet ici RADIX-Practical-Package
Instructions pour les enseignants
Introduction
Avant d’enseigner le cours pratique MLOps, il est essentiel pour les enseignants d’avoir une compréhension approfondie des outils et des technologies mentionnés dans le plan de cours. Le cours est structuré autour d’une démo en 3 parties, chacun mettant en évidence une approche différente des MLOps. Voici les étapes pour vous familiariser avec ces outils:
1. La voie de la coquille (manuelle)
Objectif: Comprendre les bases de la configuration d’un environnement Python et de l’exécution d’un bloc-notes Jupyter.
Étapes:
Environnement Python: Installez Python sur votre système. Apprenez à créer un environnement virtuel en utilisant venv ou conda. Pratiquez l’activation et la désactivation de l’environnement.
Installation du colis: Comprendre la structure et le but d’un fichier requirements.txt. Pratiquez l’installation de paquets en utilisant pip install -r requirements.txt.
Jupyter Notebook: Installez Jupyter Notebook. Apprenez les bases du démarrage d’un serveur Jupyter. Pratiquez la création, l’exécution et l’enregistrement de carnets.
Serveur Streamlit: Comprendre le but de Streamlit et comment il peut être utilisé pour créer des applications Web. Pratiquez l’utilisation d’artefacts générés à partir d’un bloc-notes Jupyter dans une application Streamlit.
Considérations: Comprendre les avantages de cette approche, tels que la construction de connaissances fondamentales et le prototypage initial. Soyez conscient de ses limites, comme le désordre potentiel, les défis dans le transfert de connaissances et les difficultés à reproduire les configurations.
2. La voie Docker + Make (Héritage)
Objectif: Saisir les concepts de conteneurisation et d’automatisation à l’aide de Docker and Make.
Étapes:
Docker: Installez Docker sur votre système. Comprendre la structure et le but d’un Dockerfile. Pratiquez la construction d’images Docker et l’exécution de conteneurs. Familiarisez-vous avec les commandes Docker courantes.
Makefile:Comprendre le but d’un Makefile dans l’automatisation des tâches. Apprenez la syntaxe de base d’un Makefile. Pratiquez l’écriture et l’exécution de commandes simples Make.
Considérations: Comprendre les avantages de cette approche, tels que la reproductibilité. Reconnaître ses limites, comme le besoin de réplication à travers les projets, le changement de contexte, et son accent sur les images sur les artefacts.
3. Le chemin Radix (compositionnel)
Objectif: Plongez dans les pratiques avancées de MLOps à l’aide de workflows de composition.
Étapes:
Papeterie: Comprendre le but de Papermill dans le paramétrage et l’exécution des carnets Jupyter. Pratiquez la création et l’exécution de cahiers avec Papermill. Explorez les paquets disponibles ou envisagez d’en créer un simple.
Streamlit (avancé): Plongez plus profondément dans les fonctionnalités avancées de Streamlit. Explorez les paquets disponibles ou envisagez d’en créer un simple.
Création de flux de travail: Comprendre le concept de flux de travail de composition dans MLOps. Pratiquez la création de workflows qui utilisent les paquets Papermill et Streamlit.
Considérations: Comprendre les avantages de cette approche, tels que la reproductibilité, la paramétrisation facile, la validation et la composabilité. Soyez conscient de ses limites, comme être sur le bord du saignement et des lacunes potentielles dans la documentation.
Conclusion
En suivant ces étapes, les enseignants seront bien équipés pour dispenser efficacement le cours pratique de MLOps. Il est crucial de comprendre non seulement les aspects techniques, mais aussi les raisons sous-jacentes du choix de chaque approche. Cela permettra aux enseignants de fournir aux élèves une compréhension complète des pratiques MLOps.
Esquisse
| Durée (min) | Description |
|---|---|
| 30 | Le mode manuel — Shell Scripting |
| 30 | La manière Docker + Make (Héritage) |
| 30 | La voie Radix (compositionnelle) |
| 30 | Considérations d’exécution, d’outillage et de performance |
| 10 | Résumer et évaluer les résultats |
Remerciements
Tarry Singh. (Real AI B.V., Assen, Pays-Bas) https://realai.eu
Le programme de master IA centré sur l’humain a été cofinancé par le mécanisme pour l’interconnexion en Europe de l’Union européenne dans le cadre de la subvention CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068.