Informazioni amministrative
| Titolo | Ciclo di vita MLOps |
| Durata | 60 |
| Modulo | B |
| Tipo di lezione | Pratico |
| Focus | Pratiche — AI organizzativa |
| Argomento | Panoramica end-to-end del ciclo di vita MLOps |
Parole chiave
MLOps, AI organizzativa, Etica, Design,
Obiettivi di apprendimento
- Comprensione dei MLOps end-to-end
- Comprensione dell'ingestione dei dati
- Acquisire familiarità con lo sviluppo dell'algoritmo
- Acquisire familiarità con lo sviluppo e l'implementazione del modello
- Comprendere il monitoraggio continuo
Preparazione prevista
Eventi di apprendimento da completare prima
Obbligatorio per gli studenti
Facoltativo per gli studenti
- Preparazione e gestione dei dati: Prima di immergersi in MLOps, è utile comprendere le fasi iniziali del processo di apprendimento automatico, in particolare la raccolta dei dati, la pulizia e la preelaborazione.
- Formazione e convalida del modello: Una comprensione di come i modelli sono addestrati, convalidati e valutati fornirà una solida base per comprendere gli aspetti operativi del ML.
- Sintonizzazione dell'iperparametro: Anche se non sempre coperto in profondità nei corsi MLOps, la comprensione della sintonizzazione iperparametrica può essere utile in quanto è un passo cruciale nell'ottimizzazione del modello.
- Strumenti e piattaforme MLOps: La familiarità con strumenti come Kubeflow, Azure ML e altri possono dare agli studenti un vantaggio.
- Pratiche di documentazione nel ML: Una corretta documentazione è essenziale in MLOps per la riproducibilità e la collaborazione. Comprendere le migliori pratiche nella documentazione ML può essere vantaggioso.
- Croccante-DM, CRISP-ML, ML Tela: Si tratta di metodologie e framework per la gestione dei progetti ML. Avere una comprensione di base può essere utile per il lato operativo dei progetti di ML.
Referenze e background per gli studenti
- Si consiglia agli studenti di familiarizzare con i seguenti strumenti e tecniche
- JupyterNotebooks
- CUE
- Docker
- Cartiera
- Streamlit
- Scripting della shell
Consigliato per gli insegnanti
- JupyterNotebooks
- CUE
- Docker
- Cartiera
- Streamlit
- Scripting della shell
Materiale didattico
- Si prega di fare riferimento al pacchetto completo qui RADIX-Practical-Package
Istruzioni per gli insegnanti
Introduzione
Prima di insegnare il corso pratico MLOps, è essenziale che gli insegnanti abbiano una profonda comprensione degli strumenti e delle tecnologie menzionati nel quadro del corso. Il corso è strutturato attorno a una demo in 3 parti, ognuna delle quali evidenzia un approccio diverso alle MLOps. Ecco i passaggi per familiarizzare con questi strumenti:
1. La Conchiglia (Manuale) Way
Obiettivo: Comprendere le basi della configurazione di un ambiente Python e l'esecuzione di un notebook Jupyter.
Fasi:
Ambiente Python: Installa Python sul tuo sistema. Scopri come creare un ambiente virtuale usando venv o conda. Praticare l'attivazione e la disattivazione dell'ambiente.
Installazione del pacchetto: Comprendere la struttura e lo scopo di un file requirements.txt. Pratica l'installazione di pacchetti utilizzando pip install -r requirements.txt.
Taccuino Jupyter: Installare Jupyter Notebook. Scopri le basi dell'avvio di un server Jupyter. Esercitati a creare, eseguire e salvare notebook.
Server Streamlit: Comprendere lo scopo di Streamlit e come può essere utilizzato per creare applicazioni web. Pratica utilizzando artefatti generati da un notebook Jupyter in un'applicazione Streamlit.
Considerazioni: Comprendere i vantaggi di questo approccio, come la costruzione di conoscenze fondamentali e la prototipazione iniziale. Sii consapevole dei suoi limiti, come la potenziale confusione, le sfide nel trasferimento della conoscenza e le difficoltà di replicare le configurazioni.
2. Il modo Docker + Make (Eredità)
Obiettivo: Cogliere i concetti di containerizzazione e automazione utilizzando Docker e Make.
Fasi:
Docker: Installa Docker sul tuo sistema. Comprendere la struttura e lo scopo di un Dockerfile. Esercita la costruzione di immagini Docker e l'esecuzione di contenitori. Familiarizza con i comuni comandi Docker.
Makefile:Capire lo scopo di un Makefile nell'automazione delle attività. Imparare la sintassi di base di un Makefile. Esercitati a scrivere ed eseguire semplici comandi Make.
Considerazioni: Comprendere i vantaggi di questo approccio, come la riproducibilità. Riconoscere i suoi limiti, come la necessità di replicare attraverso i progetti, il cambio di contesto e la sua attenzione alle immagini rispetto agli artefatti.
3. Il modo di Radix (composizionale)
Obiettivo: Immergiti nelle pratiche MLOps avanzate utilizzando flussi di lavoro compositivi.
Fasi:
Cartiera: Comprendere lo scopo di Papermill nella parametrizzazione ed esecuzione dei notebook Jupyter. Esercitati a creare ed eseguire notebook con Papermill. Esplora i pacchetti disponibili o prendi in considerazione la possibilità di crearne uno semplice.
Streamlit (Avanzate): Tuffati più a fondo nelle funzionalità avanzate di Streamlit. Esplora i pacchetti disponibili o prendi in considerazione la possibilità di crearne uno semplice.
Creazione di flussi di lavoro: Comprendere il concetto di flussi di lavoro compositivi in MLOps. Esercitati a creare flussi di lavoro che utilizzano i pacchetti Papermill e Streamlit.
Considerazioni: Comprendere i vantaggi di questo approccio, come la riproducibilità, la facile parametrizzazione, la convalida e la componibilità. Essere consapevoli dei suoi limiti, come essere sul bordo del sanguinamento e potenziali lacune nella documentazione.
Conclusione
Seguendo questi passaggi, gli insegnanti saranno ben attrezzati per fornire il pratico corso MLOps in modo efficace. È fondamentale non solo comprendere gli aspetti tecnici, ma anche i motivi alla base della scelta di ogni approccio. Ciò consentirà agli insegnanti di fornire agli studenti una comprensione completa delle pratiche MLOps.
Contorno
| Durata (min) | Descrizione |
|---|---|
| 30 | Il modo manuale — Shell Scripting |
| 30 | Il modo Docker + Make (Eredità) |
| 30 | Il modo Radix (composizionale) |
| 30 | Considerazioni di runtime, Tooling e Performance |
| 10 | Riassumere e valutare i risultati |
Riconoscimenti
Tarry Singh. (Reale AI B.V., Assen, Paesi Bassi) https://realai.eu
Il programma Human-Centered AI Masters è stato co-finanziato dal meccanismo per collegare l'Europa dell'Unione europea nell'ambito della sovvenzione CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068.